因为我认为残差=(实际值 – 预测值)。让我们以线性回归的实际函数为例：

y= mx+c+error，我们在预测中得到的函数是y=mx+c，通过

最小化RSS（残差平方和）。那么残差不就是误差吗？为什么这两个术语被描述为不同呢？

如果我错了，请纠正我。

回答：

在实际应用中，以及在机器学习的语境下，这两个术语被视为同义词。

“残差”这一术语源自线性回归在统计学中的起源；由于在统计学中“误差”一词（曾经）有与今天的机器学习中不同的含义，因此需要一个不同的术语来区分因变量的估计（预测）值与其观察值之间的差异，因此有了“残差”。

您可以在维基百科条目Errors and residuals（注意是复数）中找到更多详情；引用如下：

在统计学和优化中，误差和残差是两个密切相关且容易混淆的度量，用于衡量统计样本中某一元素的观测值与其“理论值”之间的偏差。误差（或扰动）是观测值与某个感兴趣量的真实值（例如，总体均值）之间的偏差，而残差是观测值与该感兴趣量的估计值（例如，样本均值）之间的差异。这种区别在回归分析中最为重要，在那里这些概念有时被称为回归误差和回归残差，并引出了学生化残差的概念。

请记住，以上内容来自统计学领域；在机器学习的语境中，我们使用“误差”（单数）一词来表示预测值与观测值之间的差异，而“残差（们）”这个术语几乎从不使用……