No creo que esto sea correcto aquí si consideramos que MSE es el cuadrado de RMSE. Por ejemplo, tiene una serie de datos muestreados sobre predicciones y observaciones, ahora intenta hacer una regresión lineal: Observación (O) = a + b X Predicción (P). En este caso, el MSE es la suma de la diferencia al cuadrado entre O y P y se divide por el tamaño de la muestra N.
Pero si desea medir el rendimiento de la regresión lineal, necesita calcular el Residuo Cuadrado Medio (MSR). En el mismo caso, se estaría calculando en primer lugar la suma residual de cuadrados (RSS) que corresponde a la suma de las diferencias al cuadrado entre los valores de observación reales y las observaciones predichas derivadas de la regresión lineal. Luego, se sigue para RSS dividido por N-2 para obtener MSR.
En pocas palabras, en el ejemplo, MSE no puede estimarse usando RSS / N ya que el componente RSS ya no es el mismo para el componente utilizado para calcular MSE.