Hoe de gemiddelde absolute fout in python te berekenen

In de statistiek is de gemiddelde absolute fout (MAE) een manier om de nauwkeurigheid van een bepaald model te meten. Het wordt als volgt berekend:

MAE = (1/n) * Σ|y _i – x _i |

Goud:

• Σ: een Grieks symbool dat ‘som’ betekent
• y _i : De waargenomen waarde voor de ^i-de waarneming
• x _i : de voorspelde waarde voor de ^i-de waarneming
• n: Het totale aantal waarnemingen

We kunnen de gemiddelde absolute fout in Python eenvoudig berekenen met behulp van de Mean_absolute_error() functie van Scikit-learn.

Deze tutorial geeft een praktisch voorbeeld van het gebruik van deze functie.

Voorbeeld: berekening van de gemiddelde absolute fout in Python

Stel dat we de volgende arrays met werkelijke waarden en voorspelde waarden in Python hebben:

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

De volgende code laat zien hoe u de gemiddelde absolute fout voor dit model kunt berekenen:

 from sklearn. metrics import mean_absolute_error as mae

#calculate MAE
mae(actual, pred)

2.4285714285714284

De gemiddelde absolute fout (MAE) blijkt 2,42857 te zijn.

Dit vertelt ons dat het gemiddelde verschil tussen de werkelijke gegevenswaarde en de door het model voorspelde waarde 2,42857 is.

We kunnen deze MAE vergelijken met de MAE verkregen door andere voorspellingsmodellen om te zien welke modellen het beste presteren.

Hoe lager de MAE voor een bepaald model, hoe beter het model de werkelijke waarden kan voorspellen.

Opmerking: Zowel de matrix met werkelijke waarden als de matrix met voorspelde waarden moeten dezelfde lengte hebben om deze functie correct te laten werken.

Aanvullende bronnen

Hoe MAPE in Python te berekenen
Hoe SMAPE in Python te berekenen
Hoe MSE in Python te berekenen