Comment calculer l’erreur absolue moyenne dans R

En statistiques, l’ erreur absolue moyenne (MAE) est un moyen de mesurer la précision d’un modèle donné. Il est calculé comme suit :

MAE = (1/n) * Σ|y _je – x _je |

où:

• Σ : Un symbole grec qui signifie « somme »
• y _i : La valeur observée pour la ^ième observation
• x _i : la valeur prédite pour la ^ième observation
• n : Le nombre total d’observations

Nous pouvons calculer l’erreur absolue moyenne dans R en utilisant la fonction mae (réelle, prédite) du package Metrics .

Ce didacticiel fournit deux exemples d’utilisation pratique de cette fonction.

Exemple 1 : calculer l’erreur absolue moyenne entre deux vecteurs

Le code suivant montre comment calculer l’erreur absolue moyenne entre un vecteur de valeurs observées et un vecteur de valeurs prédites :

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

L’erreur absolue moyenne (MAE) s’avère être de 1,909 .

Cela nous indique que la différence absolue moyenne entre les valeurs observées et les valeurs prédites est de 1,909.

Exemple 2 : calculer l’erreur absolue moyenne pour un modèle de régression

Le code suivant montre comment ajuster un modèle de régression dans R, puis calculer l’erreur absolue moyenne entre les prédictions faites par le modèle et les valeurs de réponse réelles observées :

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

L’erreur absolue moyenne (MAE) s’avère être de 1,238 .

Cela nous indique que la différence absolue moyenne entre les valeurs observées et les valeurs prédites est de 1,238.

En général, plus la valeur du MAE est faible, plus un modèle est capable de s’adapter à un ensemble de données. Lorsque nous comparons deux modèles différents, nous pouvons comparer le MAE de chaque modèle pour savoir lequel offre le meilleur ajustement à un ensemble de données.

Ressources additionnelles

Calculateur d’erreur absolue moyenne
Comment calculer l’erreur absolue moyenne dans Excel
Comment calculer l’erreur absolue moyenne en Python