<\/p>\n
In de statistiek is de gemiddelde absolute fout<\/strong> (MAE) een manier om de nauwkeurigheid van een bepaald model te meten. Het wordt als volgt berekend:<\/span><\/p>\n MAE = (1\/n) * \u03a3|y i<\/sub> \u2013 x i<\/sub> |<\/span><\/p>\n Goud:<\/span><\/p>\n We kunnen de gemiddelde absolute fout in R berekenen met behulp van de mae-functie (werkelijk, voorspeld)<\/strong> uit het Metrics-<\/strong> pakket.<\/span><\/p>\n Deze tutorial biedt twee voorbeelden van hoe u deze functie in de praktijk kunt gebruiken.<\/span><\/p>\n De volgende code laat zien hoe je de gemiddelde absolute fout tussen een vector van waargenomen waarden en een vector van voorspelde waarden kunt berekenen:<\/span><\/p>\n De gemiddelde absolute fout (MAE) blijkt 1,909<\/strong> te zijn.<\/span><\/p>\n Dit vertelt ons dat het gemiddelde absolute verschil tussen de waargenomen waarden en de voorspelde waarden 1,909 bedraagt.<\/span><\/p>\n De volgende code laat zien hoe u een regressiemodel<\/a> in R kunt passen en vervolgens de gemiddelde absolute fout kunt berekenen tussen de voorspellingen van het model en de daadwerkelijk waargenomen responswaarden:<\/span><\/p>\n De gemiddelde absolute fout (MAE) blijkt 1,238<\/strong> te zijn.<\/span><\/p>\n Dit vertelt ons dat het gemiddelde absolute verschil tussen de waargenomen waarden en de voorspelde waarden 1,238 bedraagt.<\/span><\/p>\n Over het algemeen geldt dat hoe lager de MAE-waarde, hoe beter een model in een dataset past. Wanneer we twee verschillende modellen vergelijken, kunnen we de MAE van elk model vergelijken om erachter te komen welk model het beste bij een dataset past.<\/span><\/p>\n Gemiddelde absolute foutcalculator 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) * \u03a3|y i \u2013 x i | Goud: \u03a3: een Grieks symbool dat \u2018som\u2019 betekent y i : De waargenomen waarde voor de i-de waarneming x i […]<\/p>\n","protected":false},"author":1,"featured_media":0,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"footnotes":""},"categories":[11],"tags":[],"class_list":["post-1623","post","type-post","status-publish","format-standard","hentry","category-gids"],"yoast_head":"\n\n
Voorbeeld 1: Bereken de gemiddelde absolute fout tussen twee vectoren<\/strong><\/span><\/h3>\n
library<\/span> (Metrics)\n\n#define observed and predicted values\n<\/span>observed <- c(12, 13, 14, 15, 15, 22, 27, 29, 29, 30, 32)\npredicted <- c(11, 13, 14, 14, 16, 19, 24, 30, 32, 36, 30)\n\n#calculate mean absolute error between vectors\n<\/span>mae(observed, predicted)\n\n[1] 1.909091\n<\/strong><\/pre>\n Voorbeeld 2: Bereken de gemiddelde absolute fout voor een regressiemodel<\/strong><\/span><\/h3>\n
library<\/span> (Metrics)\n\n#create data\n<\/span>df <- data. frame<\/span> (x1=c(1, 3, 3, 4, 4, 6, 6, 8, 9, 3),\n x2=c(7, 7, 4, 10, 13, 12, 17, 19, 20, 34),\n y=c(17, 18, 19, 20, 24, 28, 25, 29, 30, 32))\n\n#view first six rows of data<\/span>\nhead(df)\n\n x1 x2 y\n1 1 7 17\n2 3 7 18\n3 3 4 19\n4 4 10 20\n5 4 13 24\n6 6 12 28\n\n#fit regression model\n<\/span>model <- lm(y~x1+x2, data=df)\n\n#calculate MAE between predicted values and observed values<\/span>\nmae(df$y, predict(model))\n\n[1] 1.238241\n<\/strong><\/pre>\n Aanvullende bronnen<\/strong><\/span><\/h3>\n
Hoe de gemiddelde absolute fout in Excel te berekenen<\/a>
Hoe de gemiddelde absolute fout in Python te berekenen<\/a><\/p>\n","protected":false},"excerpt":{"rendered":"