<\/p>\n
In der Statistik ist der mittlere absolute Fehler<\/strong> (MAE) eine M\u00f6glichkeit, die Genauigkeit eines bestimmten Modells zu messen. Es wird wie folgt berechnet:<\/span><\/p>\n MAE = (1\/n) * \u03a3|y i<\/sub> \u2013 x i<\/sub> |<\/span><\/p>\n Gold:<\/span><\/p>\n Wir k\u00f6nnen den mittleren absoluten Fehler in R mithilfe der Funktion mae (tats\u00e4chlich, vorhergesagt)<\/strong> aus dem Metrics-<\/strong> Paket berechnen.<\/span><\/p>\n Dieses Tutorial bietet zwei Beispiele f\u00fcr die praktische Verwendung dieser Funktion.<\/span><\/p>\n Der folgende Code zeigt, wie der durchschnittliche absolute Fehler zwischen einem Vektor beobachteter Werte und einem Vektor vorhergesagter Werte berechnet wird:<\/span><\/p>\n Der mittlere absolute Fehler (MAE) betr\u00e4gt 1,909<\/strong> .<\/span><\/p>\n Dies sagt uns, dass die durchschnittliche absolute Differenz zwischen den beobachteten Werten und den vorhergesagten Werten 1,909 betr\u00e4gt.<\/span><\/p>\n Der folgende Code zeigt, wie man ein Regressionsmodell<\/a> in R anpasst und dann den durchschnittlichen absoluten Fehler zwischen den Vorhersagen des Modells und den tats\u00e4chlich beobachteten Antwortwerten berechnet:<\/span><\/p>\n Der mittlere absolute Fehler (MAE) betr\u00e4gt 1,238<\/strong> .<\/span><\/p>\n Dies sagt uns, dass die durchschnittliche absolute Differenz zwischen den beobachteten Werten und den vorhergesagten Werten 1,238 betr\u00e4gt.<\/span><\/p>\n Im Allgemeinen gilt: Je niedriger der MAE-Wert, desto besser kann ein Modell an einen Datensatz angepasst werden. Wenn wir zwei verschiedene Modelle vergleichen, k\u00f6nnen wir die MAE jedes Modells vergleichen, um herauszufinden, welches Modell am besten zu einem Datensatz passt.<\/span><\/p>\n Rechner f\u00fcr den mittleren absoluten Fehler In der Statistik ist der mittlere absolute Fehler (MAE) eine M\u00f6glichkeit, die Genauigkeit eines bestimmten Modells zu messen. Es wird wie folgt berechnet: MAE = (1\/n) * \u03a3|y i \u2013 x i | Gold: \u03a3: Ein griechisches Symbol mit der Bedeutung \u201eSumme\u201c y i : Der beobachtete Wert f\u00fcr die i-te Beobachtung x i : […]<\/p>\n","protected":false},"author":1,"featured_media":0,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"footnotes":""},"categories":[11],"tags":[],"yoast_head":"\n\n
Beispiel 1: Berechnen Sie den durchschnittlichen absoluten Fehler zwischen zwei Vektoren<\/strong><\/span><\/h3>\n
library<\/span> (Metrics)\n\n#define observed and predicted values\n<\/span>observed <- c(12, 13, 14, 15, 15, 22, 27, 29, 29, 30, 32)\npredicted <- c(11, 13, 14, 14, 16, 19, 24, 30, 32, 36, 30)\n\n#calculate mean absolute error between vectors\n<\/span>mae(observed, predicted)\n\n[1] 1.909091\n<\/strong><\/pre>\n Beispiel 2: Berechnen Sie den mittleren absoluten Fehler f\u00fcr ein Regressionsmodell<\/strong><\/span><\/h3>\n
library<\/span> (Metrics)\n\n#create data\n<\/span>df <- data. frame<\/span> (x1=c(1, 3, 3, 4, 4, 6, 6, 8, 9, 3),\n x2=c(7, 7, 4, 10, 13, 12, 17, 19, 20, 34),\n y=c(17, 18, 19, 20, 24, 28, 25, 29, 30, 32))\n\n#view first six rows of data<\/span>\nhead(df)\n\n x1 x2 y\n1 1 7 17\n2 3 7 18\n3 3 4 19\n4 4 10 20\n5 4 13 24\n6 6 12 28\n\n#fit regression model\n<\/span>model <- lm(y~x1+x2, data=df)\n\n#calculate MAE between predicted values and observed values<\/span>\nmae(df$y, predict(model))\n\n[1] 1.238241\n<\/strong><\/pre>\n Zus\u00e4tzliche Ressourcen<\/strong><\/span><\/h3>\n
So berechnen Sie den mittleren absoluten Fehler in Excel<\/a>
So berechnen Sie den mittleren absoluten Fehler in Python<\/a><\/p>\n","protected":false},"excerpt":{"rendered":"