一、MAE是什么？
MAE是回归分析中衡量模型预测误差的一种指标。它表示实际值与预测值之间差的绝对值的平均值。通常越小越好，值越小代表模型预测误差越小。MAE经常被用于评估连续型变量的预测模型，例如房价预测、销售量预测等。
二、如何计算MAE？
我们以房价预测为例，假设有n个样本，它们的实际价格分别为y1, y2, …, yn，而模型预测出来的价格分别为ŷ1, ŷ2, …, ŷn。那么可以使用下面的公式计算MAE:
MAE = 1/n * ∑i=1n |yi - ŷi|
其中∑i=1n |yi – ŷi| 表示预测值与实际值的差的绝对值之和，1/n是为了将总和转化为平均值。
三、MAE的优缺点?
MAE的优点是容易计算和理解，而且对异常值的影响比较小，因为它只考虑了预测误差绝对值的平均值。因此，当数据集中存在比较多的异常值或噪声时，MAE比MSE更加鲁棒。
缺点是它只反映了模型预测误差的平均大小，而没有考虑误差的分布情况和预测值与真实值之间的偏差方向。例如，若存在正和负的相对误差时，它们会相互抵消，使得MAE的值相对偏小，但模型预测误差存在。
四、MAE的应用场景
由于MAE能够反映出预测的平均误差，因此它被广泛应用于房价预测、电力需求预测、股票价格预测等领域。MAE也可以结合随机游走、指数平滑等方法进行时间序列预测。
五、示例代码
import numpy as np
def mean_absolute_error(y_true, y_pred):
"""
计算MAE
:param y_true: 实际值数组
:param y_pred: 预测值数组
:return: MAE值
"""
return np.mean(np.abs(y_true - y_pred))
# 计算MAE
y_true = np.array([1, 2, 3, 4, 5])
y_pred = np.array([2, 3, 4, 5, 6])
mae = mean_absolute_error(y_true, y_pred)
print("MAE:", mae)
原创文章，作者：小蓝，如若转载，请注明出处：https://www.506064.com/n/247925.html
微信扫一扫 
支付宝扫一扫 