平均绝对误差详解：衡量模型准确性

您已经训练了一个模型，现在需要对其进行评估。在选择合适的评估指标时，可能会有些困惑，因为可选项包括 MAE、MSE、RMSE 等。

这些指标都在衡量误差，但它们对模型表现的解读略有不同。本文将聚焦于数据科学家必须了解的一项常用指标：平均绝对误差（MAE）。正如下文所示，MAE 能够以直接明了的方式呈现预测准确性，不会把问题复杂化。

什么是平均绝对误差（MAE）？

当您需要一种清晰的方法来衡量预测的准确程度时，平均绝对误差是不错的起点。它告诉您模型预测与真实值平均相差多少，而不必在意这些预测是偏高还是偏低。

在该公式中，n 是预测的总数量。竖线表示绝对值，确保所有误差都被视为正值，因此高估与低估的权重相同。它是对模型平均预测误差的一个简单直接的度量，因此被广泛采用。

为什么要关心 MAE？

前面已经提到过：MAE 的主要优点在于易于理解。如果您的 MAE 为 5，意味着模型的预测平均相差 5 个单位。

要体会这一点，还需要对比一下均方误差（MSE），它会将误差平方后再求平均，从而对较大的误差赋予更高权重。使用 MSE 时，离群点可能会让评估结果受到过度影响。

如何计算 MAE？（含 Python 示例）

我们用 Python 快速演示一个示例。假设您构建了一个预测月度销售额的模型，现在想检验其准确性。以下是计算 MAE 的方法：

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)技术支持

MAE: 10.0技术支持

这段代码先计算每个真实值与预测值之间的绝对差，再取平均。结果（此处为 10.0）表示预测误差的典型大小。

MAE 应用在哪里？

零售商常用 MAE 来检验他们的预测与实际销售的贴合程度。这是非常常见的场景。较高的 MAE 可能意味着模型需要重新训练或调整。我也可以想象，在医疗领域，MAE 可用于衡量预测康复时间与真实结果的接近程度。更低的 MAE 能提升对模型给出有用估计的信心。

这些只是几个例子，但只要需要比较数值型预测与真实值，MAE 都能派上用场。应用场景多不胜数！

MAE 与其他指标如何比较？

评估预测误差并不只有 MAE 一种方式。根据您更在意哪类误差，其他指标可能更合适。

MAE vs. MSE

MSE 也考察预测值与真实值的差异，但会先对每个误差平方再求平均，这使其对大误差更敏感。如果在您的用例中，大错的代价更高，MSE 可能更合适。

MAE vs. RMSE

RMSE 是 MSE 的平方根。它将误差带回到原始单位，比 MSE 更易解读。但与 MSE 一样，它对大误差赋予更高权重。

如果您希望一视同仁地对待所有误差并保持简单，MAE 是不错的选择。但若您更关心大错的影响，MSE 或 RMSE 可能更合适。

结论

MAE 是衡量预测值与真实值偏离程度的一种清晰而实用的方法。它易于计算、易于解释，并适用于广泛的应用场景。

虽然它不会像 MSE 或 RMSE 那样突出大误差，但能公允地呈现整体准确性。当您需要一种不被少数大偏差过度影响的直接度量时，请使用它。

话虽如此，在比较模型或微调性能时，您会希望将 MAE 与其他指标结合使用。随着时间推移，您会逐渐形成直觉：何时仅用 MAE 足够，何时另一项指标能提供更多洞见。参加我们的 Understanding Data Science 课程以及 Introduction to Regression with statsmodels in Python 课程，来提升您的技能与直觉。