Jak obliczyć średni błąd bezwzględny w pythonie

W statystyce średni błąd bezwzględny (MAE) jest sposobem pomiaru dokładności danego modelu. Oblicza się go w następujący sposób:

MAE = (1/n) * Σ|y _i – x _i |

Złoto:

• Σ: grecki symbol oznaczający „sumę”
• y _i : Obserwowana wartość ^i-tej obserwacji
• x _i : przewidywana wartość ^i-tej obserwacji
• n: Całkowita liczba obserwacji

Możemy łatwo obliczyć średni błąd bezwzględny w Pythonie, używając funkcji Mean_absolute_error() w Scikit-learn.

W tym samouczku przedstawiono praktyczny przykład użycia tej funkcji.

Przykład: Obliczanie średniego błędu bezwzględnego w Pythonie

Załóżmy, że mamy w Pythonie następujące tablice wartości rzeczywistych i wartości przewidywanych:

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

Poniższy kod pokazuje, jak obliczyć średni błąd bezwzględny dla tego modelu:

 from sklearn. metrics import mean_absolute_error as mae

#calculate MAE
mae(actual, pred)

2.4285714285714284

Średni błąd bezwzględny (MAE) wynosi 2,42857 .

Mówi nam to, że średnia różnica między rzeczywistą wartością danych a wartością przewidywaną przez model wynosi 2,42857.

Możemy porównać ten MAE z MAE uzyskanym za pomocą innych modeli prognostycznych, aby zobaczyć, które modele sprawdzają się najlepiej.

Im niższy MAE dla danego modelu, tym lepiej model jest w stanie przewidzieć rzeczywiste wartości.

Uwaga: Aby ta funkcja działała poprawnie, zarówno tablica wartości rzeczywistych, jak i tablica wartości przewidywanych muszą mieć tę samą długość.

Dodatkowe zasoby

Jak obliczyć MAPE w Pythonie
Jak obliczyć SMAPE w Pythonie
Jak obliczyć MSE w Pythonie