Cara menghitung rata-rata kesalahan absolut dengan python

Dalam statistik, mean absolute error (MAE) adalah cara untuk mengukur keakuratan model tertentu. Ini dihitung sebagai berikut:

MAE = (1/n) * Σ|y _saya – x _saya |

Emas:

• Σ: Simbol Yunani yang berarti “jumlah”
• y _i : Nilai observasi untuk observasi ^ke-i
• x _i : nilai prediksi pengamatan ^ke-i
• n : Jumlah total observasi

Kita dapat dengan mudah menghitung rata-rata kesalahan absolut dalam Python menggunakan fungsi Mean_absolute_error() dari Scikit-learn.

Tutorial ini memberikan contoh praktis penggunaan fitur ini.

Contoh: Menghitung Mean Absolute Error dengan Python

Misalkan kita memiliki array nilai aktual dan nilai prediksi berikut dengan Python:

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

Kode berikut menunjukkan cara menghitung rata-rata kesalahan absolut untuk model ini:

 from sklearn. metrics import mean_absolute_error as mae

#calculate MAE
mae(actual, pred)

2.4285714285714284

Rata-rata kesalahan absolut (MAE) ternyata 2.42857 .

Hal ini menunjukkan bahwa selisih rata-rata antara nilai data aktual dan nilai prediksi model adalah 2,42857.

Kita dapat membandingkan MAE ini dengan MAE yang diperoleh model peramalan lainnya untuk melihat model mana yang memiliki performa terbaik.

Semakin rendah MAE suatu model, semakin baik model tersebut dalam memprediksi nilai sebenarnya.

Catatan: Array nilai aktual dan array nilai prediksi harus memiliki panjang yang sama agar fungsi ini dapat berfungsi dengan benar.

Sumber daya tambahan

Cara menghitung MAPE dengan Python
Cara menghitung SMAPE dengan Python
Cara Menghitung UMK dengan Python