R တွင် ဆိုလိုသည့် absolute error တွက်ချက်နည်း

ကိန်းဂဏန်းစာရင်းဇယားများတွင် ဆိုလိုသည်မှာ အကြွင်းမဲ့အမှား (MAE) သည် ပေးထားသော မော်ဒယ်တစ်ခု၏ တိကျမှုကို တိုင်းတာသည့်နည်းလမ်းဖြစ်သည်။ အောက်ပါအတိုင်း တွက်ချက်သည်။

MAE = (1/n) * Σ|y _i – x _i |

ရွှေ-

• Σ- “ ပေါင်း” ဟု အဓိပ္ပာယ်ရသော ဂရိသင်္ကေတ
• y _i : ^ith observation အတွက် မှတ်သားထားသောတန်ဖိုး
• x _i : ^ith observation အတွက် ခန့်မှန်းတန်ဖိုး
• n- လေ့လာတွေ့ရှိချက် စုစုပေါင်းအရေအတွက်

မက်ထရစ် ပက်ကေ့ခ်ျမှ mae (အမှန်တကယ် ခန့်မှန်းထားသော) လုပ်ဆောင်ချက်ကို အသုံးပြု၍ R တွင် ပျမ်းမျှအကြွင်းမဲ့အမှားကို တွက်ချက်နိုင်ပါသည်။

ဤသင်ခန်းစာတွင် ဤအင်္ဂါရပ်ကို လက်တွေ့အသုံးချနည်းနမူနာနှစ်ခုကို ပေးထားသည်။

ဥပမာ 1- vector နှစ်ခုကြားရှိ ပျမ်းမျှ absolute error ကို တွက်ချက်ပါ။

အောက်ဖော်ပြပါ ကုဒ်သည် သတိပြုမိသော တန်ဖိုးများ နှင့် ခန့်မှန်းထားသော တန်ဖိုးများ၏ vector အကြား ပျမ်းမျှ အကြွင်းမဲ့ အမှားကို တွက်ချက်နည်းကို ပြသည်-

 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

ပျမ်းမျှအကြွင်းမဲ့အမှား (MAE) သည် 1.909 ဖြစ်လာသည်။

၎င်းသည် စောင့်ကြည့်လေ့လာထားသော တန်ဖိုးများနှင့် ခန့်မှန်းထားသော တန်ဖိုးများအကြား ပျမ်းမျှ ပကတိအကြွင်းမဲ့ ကွာခြားချက်မှာ 1.909 ဖြစ်သည်။

ဥပမာ 2- Regression Model အတွက် Mean Absolute Error ကို တွက်ချက်ပါ။

အောက်ဖော်ပြပါ ကုဒ်သည် R တွင် ဆုတ်ယုတ်မှုပုံစံကို အံဝင်ခွင်ကျဖြစ်အောင် မည်သို့ပြုလုပ်ရမည်ကို ပြသပြီး မော်ဒယ်မှပြုလုပ်သော ခန့်မှန်းချက်များနှင့် အမှန်တကယ်တွေ့ရှိရသော တုံ့ပြန်မှုတန်ဖိုးများအကြား ပျမ်းမျှအကြွင်းမဲ့အမှားကို တွက်ချက်ပါ-

 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

ပျမ်းမျှအကြွင်းမဲ့အမှား (MAE) သည် 1.238 ဖြစ်လာသည်။

၎င်းသည် စောင့်ကြည့်လေ့လာထားသော တန်ဖိုးများနှင့် ခန့်မှန်းထားသော တန်ဖိုးများအကြား ပျမ်းမျှ ပကတိ ကွာခြားချက်မှာ 1.238 ဖြစ်သည်။

ယေဘူယျအားဖြင့်၊ MAE တန်ဖိုးနိမ့်လေ၊ မော်ဒယ်တစ်ခုသည် ဒေတာအစုံနှင့် အံဝင်ခွင်ကျဖြစ်နိုင်လေဖြစ်သည်။ မတူညီသော မော်ဒယ်နှစ်ခုကို နှိုင်းယှဉ်သောအခါ၊ ဒေတာအတွဲတစ်ခုနှင့် အသင့်တော်ဆုံးမည်သည်တို့ကို ရှာဖွေသိရှိနိုင်ရန် မော်ဒယ်တစ်ခုစီ၏ MAE ကို နှိုင်းယှဉ်နိုင်ပါသည်။

ထပ်လောင်းအရင်းအမြစ်များ

ဆိုလိုသည်မှာ လုံးဝအမှားဂဏန်းတွက်စက်
Excel တွင် Mean Absolute Error တွက်ချက်နည်း
Python တွင် Mean Absolute Error တွက်ချက်နည်း