Mean Absolute Error समझें: मॉडल की शुद्धता मापना

तो आपने कोई मॉडल चलाया है और अब आपको उसका मूल्यांकन करना है। सही मॉडल मीट्रिक चुनना उलझाऊ लग सकता है क्योंकि MAE, MSE, RMSE वगैरह जैसे विकल्प मौजूद हैं। 

ये सभी मीट्रिक त्रुटि को मापते हैं, लेकिन यह बताते हैं कि आपका मॉडल कैसे प्रदर्शन कर रहा है—इसकी कहानी थोड़ी-थोड़ी अलग होती है। इस लेख में, हम एक आम मीट्रिक पर ध्यान देंगे जो एक डेटा साइंटिस्ट के रूप में आपको जानना चाहिए: mean absolute error (MAE)। जैसा कि आप देखेंगे, MAE बिना चीजों को जटिल बनाए भविष्यवाणी की शुद्धता का सीधा दृश्य देता है।

Mean Absolute Error (MAE) क्या है?

जब आपको अपनी भविष्यवाणियों की शुद्धता मापने का स्पष्ट तरीका चाहिए, तो mean absolute error एक अच्छा शुरुआती बिंदु है। यह आपको औसतन बताता है कि आपके मॉडल की भविष्यवाणियाँ वास्तविक मानों से कितनी दूर हैं, बिना इस पर ध्यान दिए कि वे अधिक आंकी गई थीं या कम।

इस समीकरण में, n कुल भविष्यवाणियों की संख्या है। परिमाणमान, जिसे आप ऊर्ध्वाधर पट्टियों से देखते हैं, सुनिश्चित करता है कि सभी त्रुटियों को धनात्मक माना जाए, ताकि अधिक- और कम-भविष्यवाणी दोनों समान रूप से गिनी जाएँ। यह आपके मॉडल की औसत भविष्यवाणी त्रुटि का सरल, प्रत्यक्ष माप है, इसलिए इसका अक्सर उपयोग होता है।

MAE आपके लिए क्यों महत्वपूर्ण है?

मैंने इसका ज़िक्र शुरू में ही किया: MAE उपयोगी इसलिए है क्योंकि इसे समझना आसान है। यदि आपका MAE 5 है, तो इसका मतलब है कि आपके मॉडल की भविष्यवाणियाँ औसतन 5 इकाइयों से चूक रही हैं।

इसे सही से समझने के लिए, आपको mean squared error, यानी MSE के बारे में सोचना होगा, जो त्रुटियों को वर्ग करके बड़े त्रुटियों को अधिक वजन देता है। MSE के साथ, बाह्य मान (outliers) आपके मूल्यांकन को जरूरत से ज्यादा तिरछा कर सकते हैं।

MAE कैसे निकालें? (Python उदाहरण सहित)

आइए Python के साथ एक छोटा उदाहरण देखते हैं। मान लीजिए आपने मासिक बिक्री की भविष्यवाणी करने के लिए एक मॉडल बनाया है, और अब आप इसकी शुद्धता जाँचना चाहते हैं। MAE इस तरह निकाला जाता है:

import numpy as np

actual = np.array([100, 150, 200, 250])
predicted = np.array([110, 140, 210, 240])

mae = np.mean(np.abs(actual - predicted))
print("MAE:", mae)संचालित द्वारा

MAE: 10.0संचालित द्वारा

यह कोड प्रत्येक वास्तविक और भविष्यवाणी किए गए मान के बीच का परिमाणात्मक अंतर निकालता है और फिर औसत लेता है। परिणाम (यहाँ 10.0) भविष्यवाणी त्रुटि के सामान्य आकार को दर्शाता है।

MAE कहाँ उपयोग होता है?

रिटेलर अक्सर यह जाँचने के लिए MAE का उपयोग करते हैं कि उनकी भविष्यवाणियाँ वास्तविक बिक्री से कितनी मेल खाती हैं। यह बहुत आम उपयोग का मामला है। उच्च MAE का मतलब हो सकता है कि मॉडल को फिर से प्रशिक्षित करने या समायोजित करने की आवश्यकता है। मैं यह भी कल्पना कर सकता हूँ कि स्वास्थ्य सेवा में MAE का उपयोग अनुमानित रिकवरी समय को वास्तविक परिणामों के कितने पास है, यह मापने के लिए किया जा सकता है। कम MAE इस बात का भरोसा बढ़ाता है कि मॉडल उपयोगी अनुमान दे रहा है।

ये तो केवल कुछ उदाहरण हैं, लेकिन जहाँ भी आप अनुमानित और वास्तविक संख्यात्मक मानों की तुलना कर रहे हों, वहाँ MAE का उपयोग किया जा सकता है। संभावनाएँ गिनना मुश्किल है!

MAE अन्य मीट्रिक से कैसे तुलना करता है?

भविष्यवाणी त्रुटि का मूल्यांकन करने का यह एकमात्र तरीका नहीं है। आप किस प्रकार की त्रुटियों की परवाह अधिक करते हैं, इसके आधार पर अन्य मीट्रिक बेहतर हो सकते हैं।

MAE बनाम MSE

MSE भी अनुमानित और वास्तविक मानों के बीच के अंतर को देखता है, लेकिन औसत लेने से पहले प्रत्येक त्रुटि का वर्ग कर देता है। इससे यह बड़ी त्रुटियों के प्रति अधिक संवेदनशील हो जाता है। यदि आपके उपयोग के मामले में बड़े गलतियाँ अधिक मायने रखती हैं, तो MSE बेहतर विकल्प हो सकता है।

MAE बनाम RMSE

RMSE MSE का वर्गमूल है। यह त्रुटि को मूल इकाइयों में वापस ले आता है, जिससे इसे MSE की तुलना में समझना आसान हो जाता है। लेकिन MSE की तरह, यह भी बड़ी त्रुटियों को अधिक वजन देता है।

यदि आप सभी त्रुटियों को समान मानना चाहते हैं और चीजों को सरल रखना चाहते हैं, तो MAE एक अच्छा विकल्प है। लेकिन यदि आप बड़ी गलतियों के प्रभाव के बारे में अधिक चिंतित हैं, तो MSE या RMSE अधिक उपयुक्त हो सकते हैं।

निष्कर्ष

MAE यह मापने का स्पष्ट और व्यावहारिक तरीका है कि आपकी भविष्यवाणियाँ वास्तविक मानों से कितनी दूर हैं। इसे निकालना आसान है, समझाना आसान है, और यह अनेक अनुप्रयोगों में उपयोगी है।

हालाँकि यह MSE या RMSE की तरह बड़ी त्रुटियों को उजागर नहीं करता, लेकिन यह समग्र शुद्धता का निष्पक्ष दृश्य देता है। इसका उपयोग तब करें जब आप एक ऐसा प्रत्यक्ष माप चाहते हैं जो कुछ बड़ी चूकों से अत्यधिक प्रभावित न हो।

यह सब कहते हुए, आप MAE का उपयोग अन्य मीट्रिक के साथ मिलाकर करना चाहेंगे, खासकर जब आप मॉडलों की तुलना कर रहे हों या प्रदर्शन को फाइन-ट्यून कर रहे हों। समय के साथ, आपको एहसास हो जाएगा कि कब MAE पर्याप्त है और कब कोई दूसरा मीट्रिक अधिक अंतर्दृष्टि देता है। हमारी Understanding Data Science कोर्स और Introduction to Regression with statsmodels in Python कोर्स लें ताकि आप अपने कौशल और अंतर्दृष्टि—दोनों—को विकसित कर सकें।