Penjelasan Mean Absolute Error: Mengukur Akurasi Model

Jadi Anda telah menjalankan sebuah model dan sekarang perlu mengevaluasinya. Memilih metrik model yang tepat bisa membingungkan karena ada opsi seperti MAE, MSE, RMSE, dan lainnya. 

Semua metrik ini mengukur galat, tetapi masing-masing memberi gambaran yang sedikit berbeda tentang kinerja model Anda. Dalam artikel ini, kita akan fokus pada salah satu metrik umum yang perlu Anda ketahui sebagai data scientist: mean absolute error (MAE). Seperti yang akan Anda lihat, MAE menawarkan pandangan langsung tentang akurasi prediksi tanpa membuatnya terlalu rumit.

Apa Itu Mean Absolute Error (MAE)?

Saat Anda memerlukan cara yang jelas untuk mengukur seberapa akurat prediksi Anda, mean absolute error adalah titik awal yang baik. Metrik ini memberi tahu Anda, secara rata-rata, seberapa jauh prediksi model Anda dari nilai aktual tanpa memedulikan apakah prediksi tersebut terlalu tinggi atau terlalu rendah.

Dalam persamaan ini, n adalah jumlah total prediksi. Nilai absolut, yang ditunjukkan dengan garis vertikal, memastikan semua galat diperlakukan sebagai positif, sehingga prediksi berlebih dan prediksi kurang dihitung sama. Ini adalah ukuran sederhana dan langsung dari rata-rata galat prediksi model Anda, itulah sebabnya metrik ini sering digunakan.

Mengapa MAE Penting bagi Anda?

Seperti yang sudah saya singgung: MAE berguna terutama karena mudah dipahami. Jika MAE Anda adalah 5, itu berarti prediksi model Anda meleset rata-rata sebesar 5 satuan.

Untuk lebih memahaminya, Anda perlu memikirkan mean squared error, disingkat MSE, yang memberi bobot lebih besar pada galat besar dengan mengkuadratkannya. Dengan MSE, pencilan dapat membelokkan evaluasi Anda terlalu jauh.

Bagaimana Cara Menghitung MAE? (Dengan Contoh Python)

Mari kita lihat contoh cepat menggunakan Python. Misalkan Anda telah membangun model untuk memprediksi penjualan bulanan, dan sekarang Anda ingin memeriksa seberapa akuratnya. Berikut cara menghitung MAE:

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)Didukung oleh

MAE: 10.0Didukung oleh

Kode ini menghitung selisih absolut antara setiap nilai aktual dan prediksi, lalu mengambil rata-ratanya. Hasilnya (10.0 di sini) adalah ukuran tipikal dari galat prediksi.

Di Mana MAE Digunakan?

Peritel sering menggunakan MAE untuk memeriksa seberapa dekat ramalan mereka dengan penjualan aktual. Ini adalah kasus penggunaan yang sangat umum. MAE yang tinggi bisa berarti model perlu dilatih ulang atau disesuaikan. Saya juga bisa membayangkan di bidang kesehatan, MAE dapat mengukur seberapa dekat waktu pemulihan yang diprediksi dengan hasil nyata. MAE yang lebih rendah memberikan keyakinan lebih bahwa model menghasilkan estimasi yang berguna.

Ini hanya beberapa contoh, tetapi MAE dapat digunakan dalam situasi apa pun saat Anda membandingkan nilai numerik yang diprediksi dan aktual. Kemungkinannya terlalu banyak untuk disebutkan satu per satu!

Bagaimana MAE Dibandingkan dengan Metrik Lain?

MAE bukan satu-satunya cara untuk mengevaluasi galat prediksi. Bergantung pada jenis galat yang paling Anda perhatikan, metrik lain mungkin lebih cocok.

MAE vs. MSE

MSE juga melihat perbedaan antara nilai prediksi dan aktual, tetapi ia mengkuadratkan setiap galat sebelum dirata-ratakan. Hal ini membuatnya lebih sensitif terhadap galat besar. Jika kesalahan besar lebih penting dalam kasus penggunaan Anda, MSE mungkin lebih tepat.

MAE vs. RMSE

RMSE adalah akar kuadrat dari MSE. Metrik ini mengembalikan galat ke satuan aslinya, sehingga lebih mudah ditafsirkan dibanding MSE. Namun seperti MSE, metrik ini memberi bobot lebih pada galat besar.

Jika Anda ingin memperlakukan semua galat sama dan menjaga segalanya tetap sederhana, MAE adalah pilihan yang baik. Namun jika Anda lebih khawatir tentang dampak kesalahan besar, MSE atau RMSE bisa lebih sesuai.

Kesimpulan

MAE adalah cara yang jelas dan praktis untuk mengukur seberapa jauh prediksi Anda dari nilai aktual. Metrik ini mudah dihitung, mudah dijelaskan, dan berguna dalam berbagai aplikasi.

Meskipun tidak akan menyoroti galat besar seperti MSE atau RMSE, metrik ini memberikan gambaran yang adil tentang akurasi keseluruhan. Gunakan saat Anda menginginkan ukuran langsung yang tidak terlalu dipengaruhi oleh beberapa kesalahan besar.

Dengan semua ini, Anda akan ingin menggunakan MAE bersama metrik lain, terutama saat Anda membandingkan model atau menyetel performa. Seiring waktu, Anda akan memahami kapan MAE sudah cukup dan kapan metrik lain memberikan wawasan lebih. Ikuti kursus Understanding Data Science dan kursus Introduction to Regression with statsmodels in Python kami untuk membantu mengembangkan keterampilan dan intuisi Anda.