Comment calculer l’erreur absolue moyenne en Python

En statistiques, l’ erreur absolue moyenne (MAE) est un moyen de mesurer la précision d’un modèle donné. Il est calculé comme suit :

MAE = (1/n) * Σ|y _je – x _je |

où:

• Σ : Un symbole grec qui signifie « somme »
• y _i : La valeur observée pour la ^ième observation
• x _i : la valeur prédite pour la ^ième observation
• n : Le nombre total d’observations

Nous pouvons facilement calculer l’erreur absolue moyenne en Python en utilisant la fonction Mean_absolute_error() de Scikit-learn.

Ce didacticiel fournit un exemple d’utilisation pratique de cette fonction.

Exemple : calcul de l’erreur absolue moyenne en Python

Supposons que nous ayons les tableaux suivants de valeurs réelles et de valeurs prédites en Python :

actual = [12, 13, 14, 15, 15, 22, 27]
pred = [11, 13, 14, 14, 15, 16, 18]

Le code suivant montre comment calculer l’erreur absolue moyenne pour ce modèle :

from sklearn.metrics import mean_absolute_error as mae

#calculate MAE
mae(actual, pred)

2.4285714285714284

L’erreur absolue moyenne (MAE) s’avère être de 2,42857 .

Cela nous indique que la différence moyenne entre la valeur réelle des données et la valeur prédite par le modèle est de 2,42857.

Nous pouvons comparer ce MAE au MAE obtenu par d’autres modèles de prévision pour voir quels modèles fonctionnent le mieux.

Plus le MAE pour un modèle donné est faible, plus le modèle est capable de prédire les valeurs réelles.

Remarque : Le tableau des valeurs réelles et le tableau des valeurs prédites doivent tous deux être de même longueur pour que cette fonction fonctionne correctement.

Ressources additionnelles

Comment calculer MAPE en Python
Comment calculer SMAPE en Python
Comment calculer MSE en Python