平均绝对误差怎么求
更新日期:2026-11-12 06:33:34
| 标题 | 平均绝对误差怎么求 | |||||||||||||||||||||||||||||||||||||
| 内容 | 在数据分析和机器学习中,评估模型的预测效果是至关重要的一步。其中,平均绝对误差(Mean Absolute Error, MAE) 是一个常用的指标,用于衡量预测值与真实值之间的差异程度。MAE 的计算简单直观,能够反映预测结果的整体偏差情况,因此被广泛应用于回归问题中。 一、什么是平均绝对误差? 平均绝对误差(MAE)是指所有样本预测值与实际值之间绝对误差的平均值。它表示的是预测值偏离真实值的平均距离,单位与目标变量一致。 公式如下: $$ \text{MAE} = \frac{1}{n} \sum_{i=1}^{n} | y_i - \hat{y}_i | y_i - \hat{y}_i | $。 |
| 样本编号 | 真实值 $ y_i $ | 预测值 $ \hat{y}_i $ | 绝对误差 $ | y_i - \hat{y}_i | $ |
| 1 | 10 | 8 | 2 | ||
| 2 | 15 | 17 | 2 | ||
| 3 | 20 | 22 | 2 | ||
| 4 | 25 | 23 | 2 | ||
| 5 | 30 | 28 | 2 |
计算过程:
- 所有绝对误差之和 = 2 + 2 + 2 + 2 + 2 = 10
- 样本数量 = 5
- 平均绝对误差 = 10 / 5 = 2
四、MAE 的优缺点总结
| 优点 | 缺点 |
| 计算简单,易于理解 | 对异常值不敏感,但不如 MSE 敏感 |
| 结果具有可解释性,单位与目标变量一致 | 不能反映误差的方向(正负) |
| 适用于不同量纲的数据比较 | 不适合对误差大小敏感的场景 |
五、总结
平均绝对误差(MAE) 是一种简单有效的模型评估指标,适用于大多数回归问题。它的核心思想是通过计算预测值与真实值之间的平均绝对差来衡量模型的准确性。虽然它不如均方误差(MSE)那样对大误差敏感,但在实际应用中仍具有很高的参考价值。
如果你正在做数据分析或模型优化,建议结合多种指标(如 MAE、MSE、R² 等)进行综合评估,以获得更全面的结果。