كيفية حساب متوسط الخطأ المطلق في بايثون

في الإحصاء، متوسط الخطأ المطلق (MAE) هو وسيلة لقياس دقة نموذج معين. يتم حسابه على النحو التالي:

MAE = (1/n) * Σ|y _i – x _i |

ذهب:

• Σ : رمز يوناني معناه “المجموع”
• y _i : القيمة المرصودة للملاحظة ^رقم
• _xi : القيمة المتوقعة للملاحظة ^رقم
• n: العدد الإجمالي للملاحظات

يمكننا بسهولة حساب متوسط الخطأ المطلق في بايثون باستخدام دالة Mean_absolute_error() في Scikit-learn.

يقدم هذا البرنامج التعليمي مثالاً عمليًا لاستخدام هذه الميزة.

مثال: حساب متوسط الخطأ المطلق في بايثون

لنفترض أن لدينا المصفوفات التالية من القيم الفعلية والقيم المتوقعة في بايثون:

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

يوضح الكود التالي كيفية حساب متوسط الخطأ المطلق لهذا النموذج:

 from sklearn. metrics import mean_absolute_error as mae

#calculate MAE
mae(actual, pred)

2.4285714285714284

تبين أن متوسط الخطأ المطلق (MAE) هو 2.42857 .

يخبرنا هذا أن متوسط الفرق بين قيمة البيانات الفعلية والقيمة المتوقعة بواسطة النموذج هو 2.42857.

يمكننا مقارنة MAE هذا مع MAE الذي تم الحصول عليه بواسطة نماذج التنبؤ الأخرى لمعرفة النماذج التي تحقق أفضل أداء.

كلما انخفض MAE لنموذج معين، كلما كان النموذج قادرًا على التنبؤ بالقيم الفعلية بشكل أفضل.

ملاحظة: يجب أن يكون لكل من مصفوفة القيمة الفعلية ومصفوفة القيمة المتوقعة نفس الطول حتى تعمل هذه الوظيفة بشكل صحيح.

مصادر إضافية

كيفية حساب MAPE في بايثون
كيفية حساب SMAPE في بايثون
كيفية حساب MSE في بايثون