So berechnen sie den mittleren absoluten fehler in r

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

Wir können den mittleren absoluten Fehler in R mithilfe der Funktion mae (tatsächlich, vorhergesagt) aus dem Metrics- Paket berechnen.

Dieses Tutorial bietet zwei Beispiele für die praktische Verwendung dieser Funktion.

Beispiel 1: Berechnen Sie den durchschnittlichen absoluten Fehler zwischen zwei Vektoren

Der folgende Code zeigt, wie der durchschnittliche absolute Fehler zwischen einem Vektor beobachteter Werte und einem Vektor vorhergesagter Werte berechnet wird:

 library (Metrics)

#define observed and predicted values
observed <- c(12, 13, 14, 15, 15, 22, 27, 29, 29, 30, 32)
predicted <- c(11, 13, 14, 14, 16, 19, 24, 30, 32, 36, 30)

#calculate mean absolute error between vectors
mae(observed, predicted)

[1] 1.909091

Der mittlere absolute Fehler (MAE) beträgt 1,909 .

Dies sagt uns, dass die durchschnittliche absolute Differenz zwischen den beobachteten Werten und den vorhergesagten Werten 1,909 beträgt.

Beispiel 2: Berechnen Sie den mittleren absoluten Fehler für ein Regressionsmodell

Der folgende Code zeigt, wie man ein Regressionsmodell in R anpasst und dann den durchschnittlichen absoluten Fehler zwischen den Vorhersagen des Modells und den tatsächlich beobachteten Antwortwerten berechnet:

 library (Metrics)

#create data
df <- data. frame (x1=c(1, 3, 3, 4, 4, 6, 6, 8, 9, 3),
                 x2=c(7, 7, 4, 10, 13, 12, 17, 19, 20, 34),
                 y=c(17, 18, 19, 20, 24, 28, 25, 29, 30, 32))

#view first six rows of data
head(df)

  x1 x2 y
1 1 7 17
2 3 7 18
3 3 4 19
4 4 10 20
5 4 13 24
6 6 12 28

#fit regression model
model <- lm(y~x1+x2, data=df)

#calculate MAE between predicted values and observed values
mae(df$y, predict(model))

[1] 1.238241

Der mittlere absolute Fehler (MAE) beträgt 1,238 .

Dies sagt uns, dass die durchschnittliche absolute Differenz zwischen den beobachteten Werten und den vorhergesagten Werten 1,238 beträgt.

Im Allgemeinen gilt: Je niedriger der MAE-Wert, desto besser kann ein Modell an einen Datensatz angepasst werden. Wenn wir zwei verschiedene Modelle vergleichen, können wir die MAE jedes Modells vergleichen, um herauszufinden, welches Modell am besten zu einem Datensatz passt.

Zusätzliche Ressourcen

Rechner für den mittleren absoluten Fehler
So berechnen Sie den mittleren absoluten Fehler in Excel
So berechnen Sie den mittleren absoluten Fehler in Python