Python တွင် mean 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

Scikit-learn ၏ Mean_absolute_error() လုပ်ဆောင်ချက်ကို အသုံးပြု၍ Python ရှိ ပျမ်းမျှအကြွင်းမဲ့အမှားကို ကျွန်ုပ်တို့ အလွယ်တကူ တွက်ချက်နိုင်ပါသည်။

ဤသင်ခန်းစာသည် ဤအင်္ဂါရပ်ကို အသုံးပြုခြင်း၏ လက်တွေ့ကျသော ဥပမာကို ပေးသည်။

ဥပမာ- Python တွင် Mean Absolute Error ကို တွက်ချက်ခြင်း။

Python တွင် ကျွန်ုပ်တို့တွင် အမှန်တကယ်တန်ဖိုးများနှင့် ခန့်မှန်းတန်ဖိုးများကို အောက်ပါ arrays များရှိသည်ဆိုပါစို့။

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

အောက်ဖော်ပြပါ ကုဒ်သည် ဤမော်ဒယ်အတွက် ပျမ်းမျှ အကြွင်းမဲ့ အမှားကို တွက်ချက်နည်းကို ပြသည်-

 from sklearn. metrics import mean_absolute_error as mae

#calculate MAE
mae(actual, pred)

2.4285714285714284

ပျမ်းမျှအကြွင်းမဲ့အမှား (MAE) သည် 2.42857 ဖြစ်လာသည်။

၎င်းသည် အမှန်တကယ်ဒေတာတန်ဖိုးနှင့် မော်ဒယ်မှခန့်မှန်းထားသောတန်ဖိုးအကြား ပျမ်းမျှကွာခြားချက်မှာ 2.42857 ဖြစ်ကြောင်း ကျွန်ုပ်တို့ကိုပြောပြသည်။

ဤ MAE နှင့် မည်သည့်မော်ဒယ်များ အကောင်းဆုံးလုပ်ဆောင်နိုင်သည်ကို သိရှိရန် အခြားကြိုတင်ခန့်မှန်းမှုမော်ဒယ်များမှရရှိသော MAE နှင့် နှိုင်းယှဉ်နိုင်ပါသည်။

ပေးထားသောမော်ဒယ်အတွက် MAE နိမ့်လေ၊ မော်ဒယ်သည် အမှန်တကယ်တန်ဖိုးများကို ခန့်မှန်းနိုင်လေဖြစ်သည်။

မှတ်ချက်- အမှန်တကယ်တန်ဖိုးအခင်းအကျင်းနှင့် ခန့်မှန်းတန်ဖိုးအခင်းအကျင်းနှစ်ခုစလုံးသည် ဤလုပ်ဆောင်ချက်မှန်ကန်စွာလုပ်ဆောင်ရန်အတွက် တူညီသောအရှည်ဖြစ်ရမည်။

ထပ်လောင်းအရင်းအမြစ်များ

Python တွင် MAPE တွက်ချက်နည်း
Python တွင် SMAPE တွက်ချက်နည်း
Python တွင် MSE တွက်ချက်နည်း