# 一个可算的多解例子：最小均方误差为何给出不存在的结果
[独立阅读](/course/blocks/conditional-mean-is-not-sample.html)**课堂上下文：从哪个问题来**
画面刻意展示同一句条件对应多个合理图像。三幅红杯强调多样性，蓝杯强调条件约束；这些是语义例子，并非单变量受控比较。下方的 ±1 算例解释为什么一个最优平均值仍可能不是合理样本，让第四讲的问题有具体起点。


给定同一条件 $c$，真实结果 $X$ 等概率取 $-1$ 或 $+1$。若模型只能给一个确定数 $a$，并最小化平均平方误差，



$\mathbb E[(X-a)^2\mid c]=\tfrac12(-1-a)^2+\tfrac12(1-a)^2=1+a^2.$



最优值是 $a=0$，误差为 1；但真实分布从不产生 0。模型给出了最好的条件均值，却没有给出一个真实可能样本。对应图像的直观例子是杯子可能在左或右，逐像素平均可能出现模糊或重影，而不是某一次合理摆放。



再设生成器正确地随机输出 $-1$ 或 $+1$，与一份独立抽出的真值比较，二者一半相同、一半差 2，期望平方误差是 $0.5\times0+0.5\times4=2$。生成器符合真实分布，却在这种独立配对 MSE 上比输出 0 更差。这说明评价没有衡量我们真正要求的对象。



因此生成评价至少拆开条件满足、样本合理和多样性覆盖。逼真但总输出同一种可能会漏掉模式；很多变化但不满足红色条件也失败。这个小算例只解释问题结构，不替任何生成算法背书，完整训练和采样方法留第四讲。


## 继续阅读与实验