วิธีการคำนวณค่าเฉลี่ยข้อผิดพลาดสัมบูรณ์ใน python

ในทางสถิติ ค่าเฉลี่ยความคลาดเคลื่อนสัมบูรณ์ (MAE) เป็นวิธีการวัดความแม่นยำของแบบจำลองที่กำหนด มีการคำนวณดังนี้:

แม่ = (1/n) * Σ|y _ฉัน – x _ฉัน |

ทอง:

• Σ: สัญลักษณ์กรีกหมายถึง “ผลรวม”
• y _i : ค่าที่สังเกตได้สำหรับการสังเกต ^{ครั้งที่ 3}
• x _i : ค่าที่ทำนายไว้สำหรับการสังเกต ^{ครั้งที่ 3}
• n: จำนวนการสังเกตทั้งหมด

เราสามารถคำนวณค่าเฉลี่ยข้อผิดพลาดสัมบูรณ์ใน Python ได้อย่างง่ายดายโดยใช้ฟังก์ชัน Mean_absolute_error() ของ Scikit-learn

บทช่วยสอนนี้ให้ตัวอย่างเชิงปฏิบัติของการใช้ฟีเจอร์นี้

ตัวอย่าง: การคำนวณค่าเฉลี่ยข้อผิดพลาดสัมบูรณ์ใน Python

สมมติว่าเรามีอาร์เรย์ของค่าจริงและค่าที่คาดการณ์ใน Python ดังต่อไปนี้:

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

รหัสต่อไปนี้แสดงวิธีการคำนวณค่าคลาดเคลื่อนสัมบูรณ์เฉลี่ยสำหรับแบบจำลองนี้:

 from sklearn. metrics import mean_absolute_error as mae

#calculate MAE
mae(actual, pred)

2.4285714285714284

ข้อผิดพลาดเฉลี่ยสัมบูรณ์ (MAE) กลายเป็น 2.42857

สิ่งนี้บอกเราว่าความแตกต่างโดยเฉลี่ยระหว่างค่าข้อมูลจริงกับค่าที่ทำนายโดยแบบจำลองคือ 2.42857

เราสามารถเปรียบเทียบ MAE นี้กับ MAE ที่ได้รับจากแบบจำลองการคาดการณ์อื่นๆ เพื่อดูว่าแบบจำลองใดทำงานได้ดีที่สุด

ยิ่ง MAE ต่ำสำหรับโมเดลที่กำหนด โมเดลก็ยิ่งสามารถทำนายค่าจริงได้ดีขึ้นเท่านั้น

หมายเหตุ: ทั้งอาร์เรย์ค่าจริงและอาร์เรย์ค่าที่คาดการณ์จะต้องมีความยาวเท่ากันเพื่อให้ฟังก์ชันนี้ทำงานได้อย่างถูกต้อง

แหล่งข้อมูลเพิ่มเติม

วิธีการคำนวณ MAPE ใน Python
วิธีการคำนวณ SMAPE ใน Python
วิธีการคำนวณ MSE ใน Python