Giải thích Mean Absolute Error: Đo lường độ chính xác của mô hình

Bạn đã chạy một mô hình và giờ cần đánh giá nó. Việc chọn đúng thước đo có thể gây bối rối vì có nhiều lựa chọn như MAE, MSE, RMSE, v.v. 

Tất cả các chỉ số này đều đo lỗi, nhưng chúng kể những câu chuyện hơi khác nhau về hiệu suất mô hình. Trong bài viết này, chúng ta sẽ tập trung vào một chỉ số phổ biến mà bạn cần biết với vai trò nhà khoa học dữ liệu: mean absolute error (MAE) — sai số tuyệt đối trung bình. Như bạn sẽ thấy, MAE mang đến cái nhìn trực quan về độ chính xác của dự đoán mà không làm mọi thứ trở nên phức tạp.

Mean Absolute Error (MAE) là gì?

Khi bạn cần một cách rõ ràng để đo mức độ chính xác của dự đoán, MAE là điểm khởi đầu tốt. Nó cho bạn biết, trung bình, dự đoán của mô hình lệch bao xa so với giá trị thực mà không cần bận tâm liệu dự đoán đó cao hơn hay thấp hơn.

Trong phương trình này, n là tổng số dự đoán. Giá trị tuyệt đối, thể hiện bằng các dấu gạch dọc, đảm bảo mọi sai số đều được tính dương, nên cả dự đoán cao quá và thấp quá đều được tính như nhau. Đây là thước đo trực tiếp, đơn giản về sai số dự đoán trung bình của mô hình — vì thế nó thường xuyên được sử dụng.

Vì sao bạn nên quan tâm đến MAE?

Tôi đã nhắc đến điều này: MAE hữu ích chủ yếu vì dễ hiểu. Nếu MAE của bạn là 5, điều đó có nghĩa dự đoán của mô hình lệch trung bình 5 đơn vị.

Để thấy rõ điều này, hãy nghĩ về mean squared error, viết tắt là MSE, vốn làm tăng trọng số cho các sai số lớn bằng cách bình phương chúng. Với MSE, các ngoại lệ có thể làm lệch việc đánh giá của bạn quá mức.

Tính MAE như thế nào? (Ví dụ bằng Python)

Hãy đi qua một ví dụ nhanh bằng Python. Giả sử bạn xây dựng một mô hình dự đoán doanh số hàng tháng và muốn kiểm tra mức độ chính xác. Cách tính MAE như sau:

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)Được hỗ trợ bởi

MAE: 10.0Được hỗ trợ bởi

Đoạn mã này tìm độ chênh lệch tuyệt đối giữa mỗi cặp giá trị thực và dự đoán, rồi lấy trung bình. Kết quả (10.0 ở đây) là kích thước điển hình của sai số dự đoán.

MAE được dùng ở đâu?

Các nhà bán lẻ thường dùng MAE để kiểm tra mức độ khớp giữa dự báo và doanh số thực tế. Đây là một trường hợp sử dụng rất phổ biến. MAE cao có thể cho thấy mô hình cần được huấn luyện lại hoặc điều chỉnh. Tôi cũng có thể hình dung trong lĩnh vực chăm sóc sức khỏe, MAE đo mức độ gần đúng giữa thời gian hồi phục dự đoán và kết quả thực. MAE thấp giúp tăng niềm tin rằng mô hình đưa ra ước lượng hữu ích.

Đó chỉ là vài ví dụ; MAE có thể dùng trong bất kỳ tình huống nào bạn so sánh giá trị dự đoán với giá trị thực dạng số. Khả năng ứng dụng thì quá nhiều để liệt kê hết!

MAE so với các chỉ số khác thế nào?

MAE không phải là cách duy nhất để đánh giá sai số dự đoán. Tùy bạn quan tâm loại sai số nào nhất, các chỉ số khác có thể phù hợp hơn.

MAE vs. MSE

MSE cũng xem xét chênh lệch giữa giá trị dự đoán và thực, nhưng bình phương từng sai số trước khi lấy trung bình. Điều đó khiến nó nhạy hơn với các sai số lớn. Nếu những lỗi lớn quan trọng hơn trong bài toán của bạn, MSE có thể phù hợp hơn.

MAE vs. RMSE

RMSE là căn bậc hai của MSE. Nó đưa sai số về lại cùng đơn vị gốc, giúp diễn giải dễ hơn so với MSE. Nhưng giống MSE, nó cũng đặt trọng số lớn hơn cho các sai số lớn.

Nếu bạn muốn đối xử mọi sai số như nhau và giữ mọi thứ đơn giản, MAE là lựa chọn tốt. Nhưng nếu bạn bận tâm nhiều đến tác động của các lỗi lớn, MSE hoặc RMSE có thể phù hợp hơn.

Kết luận

MAE là cách rõ ràng và thực tiễn để đo mức độ chênh lệch giữa dự đoán và giá trị thực. Dễ tính, dễ giải thích và hữu ích trong nhiều ứng dụng.

Dù không làm nổi bật các lỗi lớn như MSE hay RMSE, MAE mang đến cái nhìn công bằng về độ chính xác tổng thể. Hãy dùng khi bạn muốn một thước đo trực tiếp, không bị ảnh hưởng quá mức bởi vài lần sai lệch lớn.

Nói vậy, bạn vẫn sẽ muốn dùng MAE cùng các chỉ số khác, đặc biệt khi so sánh mô hình hoặc tinh chỉnh hiệu năng. Theo thời gian, bạn sẽ cảm nhận được khi nào MAE là đủ và khi nào một chỉ số khác mang lại nhiều insight hơn. Hãy tham gia khóa Understanding Data Science và khóa Introduction to Regression with statsmodels in Python để phát triển cả kỹ năng lẫn trực giác của bạn.