حاسبة متوسط الخطأ المطلق (MAE)

حاسبة متوسط الخطأ المطلق (MAE)

شائع AI Skill PRO

أدخل الحساب

أرقام مفصولة بفاصلة أو مسافة
يجب أن يكون عددها مساويًا لعدد القيم الفعلية

صيغة رياضية

MAE=1n∑i=1n|yi−y^i|\text{MAE} = \frac{1}{n}\sum_{i=1}^{n}\left| {y_i} - {{\hat{y}_i}} \right|
إحصاءات الاستخدام

اعلان

نتائج

متوسط الخطأ المطلق (MAE)
٠٫٨٧٥
متوسط الانحراف المطلق
مجموع الأخطاء المطلقة ٣٫٥
عدد الأزواج (n) ٤

الإبلاغ عن خطأ في هذه الصفحة

ما هو متوسط الخطأ المطلق (MAE)؟

يُعد متوسط الخطأ المطلق (MAE) من أكثر المقاييس استخدامًا لتقييم دقة نماذج الانحدار أو التنبؤات. فهو يقيس متوسط حجم الأخطاء بين القيم المتوقعة والقيم الفعلية المرصودة، دون النظر إلى اتجاه هذه الأخطاء. وبما أنه يعتمد على القيم المطلقة، فإن كل خطأ يساهم بشكل موجب في المجموع الإجمالي، مما يجعل تفسير MAE سهلًا: فهو متوسط مقدار انحراف تنبؤاتك عن الصواب، معبَّرًا عنه بنفس وحدات البيانات.

مخطط مبعثر مع خط انحدار يوضح المسافة العمودية بين النقاط الفعلية والقيم المتوقعة
يقيس MAE متوسط المسافة العمودية المطلقة بين نقاط البيانات الفعلية والقيم المتوقعة.

كيفية استخدام الحاسبة

أدخل قائمة القيم الفعلية (المرصودة) وقائمة القيم المتوقعة (الناتجة عن التنبؤ أو النموذج) في الخانتين المخصصتين. افصل بين كل رقم وآخر بفاصلة أو مسافة. تأكد من أن القائمتين تحتويان على العدد نفسه من القيم، وأنهما مرتّبتان بحيث تقابل القيمة الفعلية الأولى التنبؤ الأول وهكذا. ثم اضغط على زر الحساب لتحصل على قيمة MAE إلى جانب مجموع الأخطاء المطلقة وعدد الأزواج المستخدمة في الحساب.

شرح المعادلة

المعادلة هي $$\text{MAE} = \frac{1}{n}\sum_{i=1}^{n}\left| y_i - \hat{y}_i \right|$$ لكل ملاحظة تطرح القيمة المتوقعة (\(\hat{y}_i\)) من القيمة الفعلية (\(y_i\))، ثم تأخذ القيمة المطلقة لهذا الفرق (متجاهلًا إشارة السالب)، وتجمع كل هذه الفروق المطلقة معًا، وأخيرًا تقسم الناتج على \(n\) وهو عدد الملاحظات. والنتيجة تمثل الحجم النموذجي لخطأ التنبؤ الواحد.

اعلان
رسم بياني يوضح الخطأ المطلق كفجوة بلا إشارة بين القيم الفعلية والمتوقعة على خط الأعداد
يأخذ كل حد الفرق المطلق بين القيمة الفعلية والمتوقعة، لذا لا تلغي الأخطاء بعضها بعضًا أبدًا.

مثال محلول

لنفترض أن القيم الفعلية هي 3 و5 و2 و7، وأن القيم المتوقعة هي 2.5 و5 و4 و8. تكون الأخطاء المطلقة كالتالي: \(|3-2.5| = 0.5\)، و\(|5-5| = 0\)، و\(|2-4| = 2\)، و\(|7-8| = 1\). ومجموعها 3.5. وبقسمة المجموع على \(n = 4\) نحصل على $$\text{MAE} = 3.5 / 4 = 0.875$$

تفسير نتيجة MAE الخاصة بك

MAE هو متوسط حجم أخطاء التنبؤ، بصرف النظر عن الاتجاه. ويُعبَّر عنه بـ الوحدات نفسها المستخدمة في بياناتك. فقيمة MAE تساوي 5 على سلسلة مقاسة بالكيلوغرامات تعني أن التنبؤات تنحرف بمقدار 5 كغ تقريباً في المتوسط. أما القيمة نفسها 5 على سلسلة مقاسة بالأطنان فتعني شيئاً مختلفاً تماماً.

ضع الرقم في سياقه. يصعب الحكم على MAE الخام بمفرده، لذا قارنه بأحد هذه المعايير:

  • المتوسط أو المدى للقيم الفعلية. تكون قيمة MAE تساوي 2 صغيرة إذا كان متوسط القيم الفعلية 1,000، لكنها كبيرة إذا كان متوسطها 5.
  • تنبؤ أساسي ساذج (Naive baseline). من أمثلته \(\hat{y}_t = y_{t-1}\) (آخر قيمة) أو متوسط القيم الفعلية. إذا لم يكن MAE لنموذجك أقل بوضوح من MAE للأساس، فإنه لا يضيف قيمة تُذكر.
  • نسخة نسبية إلى المقياس. ومن أشيعها \(\text{MAE} / \bar{y}\)، أي MAE مقسوماً على متوسط القيم الفعلية، ويُعرض غالباً كنسبة مئوية. ولا يكون ذا معنى إلا إذا كان المتوسط بعيداً عن الصفر.

MAE ليس خالياً من المقياس. لا يمكنك مقارنة MAE مقاس بالدولارات مع آخر مقاس بالدرجات. ولا يمكنك أيضاً مقارنة MAE عبر مجموعات بيانات ذات وحدات أو أحجام مختلفة، إلا بعد تطبيعه أولاً (مثلاً بالمتوسط، أو بـ MAE لتنبؤ أساسي ساذج).

MAE مقابل RMSE. بالنسبة لمجموعة الأخطاء نفسها، لا يكون MAE أكبر من RMSE أبداً:

$$\text{MAE} \le \text{RMSE}$$

يتساويان فقط عندما يكون حجم القيمة المطلقة لكل خطأ متساوياً. تشير فجوة كبيرة بين RMSE وMAE إلى أن عدداً قليلاً من الأخطاء الكبيرة هو المهيمن. أما الفجوة الصغيرة فتعني أن الأخطاء متقاربة إلى حد كبير.

المتانة. يعطي MAE وزناً خطياً لكل خطأ: فالخطأ 10 يُحسب بالضبط مرتين بقدر الخطأ 5. لذلك يكون أقل حساسية للقيم الشاذة من مقاييس الخطأ التربيعي، وهذا مفيد عندما يجب ألا تهيمن القيم المتطرفة العارضة على النتيجة. وإذا كانت الإخفاقات الكبيرة مكلفة بشكل خاص، فقد يكون RMSE المقياس الأنسب للمتابعة إلى جانب MAE.

اعلان

MAE مقابل RMSE مقابل MSE: مقارنة على بيانات عينة

تستخدم السيناريوهات الثلاثة القيم الفعلية نفسها: 10، 20، 30، 40 (n = 4). الذي يتغير فقط هو التنبؤات. يملك السيناريوهان 1 و2 مجموع الخطأ المطلق نفسه وهو 8، لذلك فإن MAE لكل منهما متطابق.

السيناريو المتنبَّأ به الأخطاء (y − ŷ) MAE MSE RMSE
1. أخطاء صغيرة متساوية 12، 18، 32، 38 −2، 2، −2، 2 (2+2+2+2)/4 = 2 (4+4+4+4)/4 = 4 √4 = 2
2. خطأ كبير واحد 10، 20، 30، 32 0، 0، 0، 8 (0+0+0+8)/4 = 2 (0+0+0+64)/4 = 16 √16 = 4
3. تنبؤات مثالية 10، 20، 30، 40 0، 0، 0، 0 0/4 = 0 0/4 = 0 √0 = 0

ما يوضحه الجدول:

  • السيناريوهان 1 و2 لكل منهما MAE = 2، لأن MAE يعتمد فقط على مجموع الخطأ المطلق (8) مقسوماً على n (4).
  • يؤدي تركيز الخطأ نفسه في نقطة واحدة إلى رفع MSE من 4 إلى 16، وRMSE من 2 إلى 4، لأن التربيع يعاقب الخطأ المفرد 8 بشدة: \(8^2 = 64\) مقابل \(4 \times 2^2 = 16\).
  • في السيناريو 1، يساوي RMSE قيمة MAE لأن جميع الأخطاء متساوية الحجم. وفي السيناريو 2، يساوي RMSE ضعف MAE، وهذا يشير إلى عدد قليل من الأخطاء الكبيرة.
  • في السيناريو 3، المقاييس الثلاثة كلها تساوي 0، وهي أفضل قيمة ممكنة.

الأسئلة الشائعة

ما الفرق بين MAE وMSE؟ يحسب MAE متوسط الأخطاء المطلقة، بينما يحسب متوسط مربع الخطأ (MSE) متوسط مربعات الأخطاء. ويعاقب MSE الأخطاء الكبيرة بشكل أشد، في حين يتعامل MAE مع جميع الأخطاء بشكل متناسب.

ما هي القيمة الجيدة لـ MAE؟ كلما كانت القيمة أقل كان ذلك أفضل، وتعني القيمة \(\text{MAE} = 0\) تنبؤات مثالية. لا يوجد حد عام ثابت، بل يجب تفسير القيمة بالنسبة إلى مقياس بياناتك ونطاقها المعتاد.

هل يمكن أن يكون MAE سالبًا؟ لا. فبما أنه يحسب متوسط الفروق المطلقة (التي تكون دائمًا غير سالبة)، يكون MAE دائمًا صفرًا أو قيمة موجبة.

آخر تحديث:

الأكثر شيوعًا في الرياضيات والإحصاء

عرض جميع حاسبات الرياضيات والإحصاء