Come calcolare l'errore assoluto medio in python

In statistica, l’errore medio assoluto (MAE) è un modo per misurare l’accuratezza di un determinato modello. Viene calcolato come segue:

MAE = (1/n) * Σ|y _i – x _i |

Oro:

• Σ: simbolo greco che significa “somma”
• y _i : il valore osservato per l’ ^i-esima osservazione
• x _i : il valore previsto per l’ ^i-esima osservazione
• n: il numero totale di osservazioni

Possiamo facilmente calcolare l’errore medio assoluto in Python utilizzando la funzione Mean_absolute_error() di Scikit-learn.

Questo tutorial fornisce un esempio pratico di utilizzo di questa funzionalità.

Esempio: calcolo dell’errore assoluto medio in Python

Supponiamo di avere i seguenti array di valori effettivi e valori previsti in Python:

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

Il codice seguente mostra come calcolare l’errore medio assoluto per questo modello:

 from sklearn. metrics import mean_absolute_error as mae

#calculate MAE
mae(actual, pred)

2.4285714285714284

L’errore medio assoluto (MAE) risulta essere 2.42857 .

Questo ci dice che la differenza media tra il valore effettivo dei dati e il valore previsto dal modello è 2,42857.

Possiamo confrontare questo MAE con il MAE ottenuto da altri modelli di previsione per vedere quali modelli funzionano meglio.

Più basso è il MAE per un dato modello, migliore è la capacità del modello di prevedere i valori effettivi.

Nota: affinché questa funzione funzioni correttamente, sia la matrice dei valori effettivi che quella dei valori previsti devono avere la stessa lunghezza.

Risorse addizionali

Come calcolare MAPE in Python
Come calcolare SMAPE in Python
Come calcolare MSE in Python