So berechnen sie den mittleren absoluten fehler in python

In der Statistik ist der mittlere absolute Fehler (MAE) eine Möglichkeit, die Genauigkeit eines bestimmten Modells zu messen. Es wird wie folgt berechnet:

MAE = (1/n) * Σ|y _i – x _i |

Gold:

• Σ: Ein griechisches Symbol mit der Bedeutung „Summe“
• y _i : Der beobachtete Wert für die ^i-te Beobachtung
• x _i : der vorhergesagte Wert für die ^i-te Beobachtung
• n: Die Gesamtzahl der Beobachtungen

Mit der Funktion Mean_absolute_error() von Scikit-learn können wir den mittleren absoluten Fehler in Python leicht berechnen.

Dieses Tutorial bietet ein praktisches Beispiel für die Verwendung dieser Funktion.

Beispiel: Berechnung des mittleren absoluten Fehlers in Python

Angenommen, wir haben in Python die folgenden Arrays mit tatsächlichen Werten und vorhergesagten Werten:

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

Der folgende Code zeigt, wie der mittlere absolute Fehler für dieses Modell berechnet wird:

 from sklearn. metrics import mean_absolute_error as mae

#calculate MAE
mae(actual, pred)

2.4285714285714284

Der mittlere absolute Fehler (MAE) beträgt 2,42857 .

Dies sagt uns, dass die durchschnittliche Differenz zwischen dem tatsächlichen Datenwert und dem vom Modell vorhergesagten Wert 2,42857 beträgt.

Wir können diesen MAE mit dem MAE anderer Prognosemodelle vergleichen, um zu sehen, welche Modelle die beste Leistung erbringen.

Je niedriger der MAE für ein bestimmtes Modell ist, desto besser kann das Modell die tatsächlichen Werte vorhersagen.

Hinweis: Sowohl das Array mit den tatsächlichen Werten als auch das Array mit den vorhergesagten Werten müssen dieselbe Länge haben, damit diese Funktion ordnungsgemäß funktioniert.

Zusätzliche Ressourcen

So berechnen Sie MAPE in Python
So berechnen Sie SMAPE in Python
So berechnen Sie MSE in Python