В статистике средняя абсолютная ошибка (MAE) — это способ измерения точности данной модели. Он рассчитывается как:
MAE = (1/n) * Σ|y i – x i |
куда:
- Σ: греческий символ, означающий «сумма».
- y i : Наблюдаемое значение для i -го наблюдения
- x i : Прогнозируемое значение для i -го наблюдения
- n: общее количество наблюдений
Мы можем легко вычислить среднюю абсолютную ошибку в Python, используя функцию mean_absolute_error() из Scikit-learn.
В этом руководстве представлен пример использования этой функции на практике.
Пример: вычисление средней абсолютной ошибки в Python
Предположим, у нас есть следующие массивы фактических значений и прогнозируемых значений в Python:
actual = [12, 13, 14, 15, 15, 22, 27]
pred = [11, 13, 14, 14, 15, 16, 18]
Следующий код показывает, как вычислить среднюю абсолютную ошибку для этой модели:
from sklearn. metrics import mean_absolute_error as mae
#calculate MAE
mae(actual, pred)
2.4285714285714284
Средняя абсолютная ошибка (MAE) оказывается равной 2,42857 .
Это говорит нам о том, что средняя разница между фактическим значением данных и значением, предсказанным моделью, составляет 2,42857.
Мы можем сравнить эту MAE с MAE, полученной с помощью других моделей прогнозирования, чтобы увидеть, какие модели работают лучше всего.
Чем ниже MAE для данной модели, тем точнее модель способна предсказать фактические значения.
Примечание.Массив фактических значений и массив прогнозируемых значений должны иметь одинаковую длину, чтобы эта функция работала правильно.
Дополнительные ресурсы
Как рассчитать MAPE в Python
Как рассчитать SMAPE в Python
Как рассчитать MSE в Python