Ortalama Mutlak Hata (MAE) Açıklandı: Model Doğruluğunu Ölçmek

Bir model çalıştırdınız ve şimdi onu değerlendirmeniz gerekiyor. MAE, MSE, RMSE ve daha fazlası gibi seçenekler olduğundan doğru model metriğini seçmek kafa karıştırıcı gelebilir. 

Tüm bu metrikler hatayı ölçer, ancak modelinizin performansıyla ilgili biraz farklı hikâyeler anlatırlar. Bu yazıda, bir veri bilimci olarak bilmeniz gereken yaygın bir metrik olan ortalama mutlak hataya (MAE) odaklanacağız. Göreceğiniz gibi, MAE tahmin doğruluğuna gereksiz karmaşıklık katmadan doğrudan bir bakış sunar.

Ortalama Mutlak Hata (MAE) Nedir?

Tahminlerinizin ne kadar doğru olduğunu ölçmenin net bir yoluna ihtiyaç duyduğunuzda, ortalama mutlak hata iyi bir başlangıçtır. Tahminlerin çok yüksek mi yoksa çok düşük mü olduğuyla ilgilenmeden, modelinizin tahminlerinin gerçek değerlerden ortalama olarak ne kadar saptığını size söyler.

Bu denklemde n toplam tahmin sayısını ifade eder. Dikey çizgilerle gösterilen mutlak değer, tüm hataların pozitif olarak ele alınmasını sağlar; böylece hem aşırı hem de eksik tahminler aynı şekilde sayılır. Bu, modelinizin ortalama tahmin hatasının basit ve doğrudan bir ölçüsüdür; bu yüzden sıkça kullanılır.

MAE Neden Önemlidir?

Bunlara değinmeye başlamıştım: MAE esas olarak anlaşılması kolay olduğu için kullanışlıdır. MAE’niz 5 ise bu, modelinizin tahminlerinin ortalama olarak 5 birim saptığı anlamına gelir.

Bunu takdir etmek için ortalama kare hatayı, kısaca MSE’yi düşünmek gerekir; zira kare alma işlemi büyük hatalara daha fazla ağırlık verir. MSE ile aykırı değerler değerlendirmenizi gereğinden fazla çarpıtabilir.

MAE Nasıl Hesaplanır? (Python Örneğiyle)

Python kullanarak hızlı bir örnekten geçelim. Diyelim ki aylık satışları tahmin eden bir model kurdunuz ve şimdi ne kadar doğru olduğunu kontrol etmek istiyorsunuz. MAE’yi şöyle hesaplayabilirsiniz:

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)Altyapı:

MAE: 10.0Altyapı:

Bu kod, her bir gerçek ve tahmin edilen değer arasındaki mutlak farkı bulur ve ardından ortalamasını alır. Sonuç (burada 10.0), tahmin hatasının tipik büyüklüğünü gösterir.

MAE Nerede Kullanılır?

Perakendeciler, tahminlerinin gerçek satışlarla ne kadar örtüştüğünü kontrol etmek için sıklıkla MAE kullanır. Bu çok yaygın bir kullanım alanıdır. Yüksek bir MAE, modelin yeniden eğitilmesi veya ayarlanması gerektiği anlamına gelebilir. Sağlık sektöründe ise MAE, tahmin edilen iyileşme sürelerinin gerçek sonuçlara ne kadar yakın olduğunu ölçebilir. Daha düşük MAE, modelin faydalı tahminler ürettiğine dair daha fazla güven verir.

Bunlar sadece birkaç örnek; ancak MAE, tahmin edilen ve gerçek sayısal değerleri karşılaştırdığınız her durumda kullanılabilir. İhtimaller sayılmayacak kadar çok!

MAE Diğer Metriklerle Nasıl Karşılaştırılır?

MAE, tahmin hatasını değerlendirmenin tek yolu değildir. Hangi tür hatalara daha çok önem verdiğinize bağlı olarak, diğer metrikler daha uygun olabilir.

MAE ve MSE

MSE de tahmin edilen ve gerçek değerler arasındaki farkı inceler, ancak ortalama almadan önce her hatayı kareye alır. Bu da onu büyük hatalara karşı daha duyarlı kılar. Büyük hataların daha önemli olduğu bir kullanım durumunuz varsa, MSE daha uygun olabilir.

MAE ve RMSE

RMSE, MSE’nin kareköküdür. Hataları tekrar orijinal birimlere döndürdüğü için MSE’ye kıyasla yorumlaması daha kolaydır. Ancak MSE gibi, büyük hatalara daha fazla ağırlık verir.

Tüm hataları eşit şekilde ele almak ve işleri basit tutmak istiyorsanız MAE iyi bir seçimdir. Ancak büyük hataların etkisi sizi daha çok ilgilendiriyorsa MSE veya RMSE daha uygun olabilir.

Sonuç

MAE, tahminlerinizin gerçek değerlerden ne kadar saptığını ölçmenin net ve pratik bir yoludur. Hesaplaması kolaydır, açıklaması kolaydır ve çok geniş bir yelpazede kullanışlıdır.

MSE veya RMSE kadar büyük hataları öne çıkarmasa da genel doğruluğa adil bir bakış sunar. Birkaç büyük sapmanın etkisiyle aşırı derecede yönlendirilmemiş doğrudan bir ölçüm istediğinizde kullanın.

Tüm bunlarla birlikte, özellikle modelleri karşılaştırırken veya performansı ince ayar yaparken MAE’yi diğer metriklerle birlikte kullanmak isteyeceksiniz. Zamanla, MAE’nin ne zaman yeterli olduğunu ve başka bir metriğin ne zaman daha fazla içgörü sağladığını sezgisel olarak anlayacaksınız. Becerilerinizi ve sezginizi geliştirmek için Understanding Data Science kursumuzu ve Introduction to Regression with statsmodels in Python kursumuzu alın.