Qu'est-ce que l'erreur absolue moyenne (MAE) ?
L'erreur absolue moyenne, ou MAE (pour Erreur absolue moyenne), figure parmi les indicateurs les plus utilisés pour évaluer la précision d'un modèle de régression ou d'une prévision. Elle mesure l'ampleur moyenne des écarts entre les valeurs prédites et les valeurs réellement observées, sans tenir compte de leur sens. Comme elle repose sur des valeurs absolues, chaque écart contribue positivement au total, ce qui rend la MAE très facile à interpréter : elle indique de combien vos prédictions se trompent en moyenne, exprimée dans la même unité que vos données.
Comment utiliser ce calculateur
Saisissez la liste de vos valeurs réelles (observées) et celle de vos valeurs prédites (issues d'une prévision ou d'un modèle) dans les deux champs prévus. Séparez chaque nombre par une virgule ou un espace. Veillez à ce que les deux listes contiennent le même nombre de valeurs, alignées de façon à ce que la première valeur réelle corresponde à la première prédiction, et ainsi de suite. Cliquez sur « Calculer » pour obtenir la MAE, ainsi que la somme des erreurs absolues et le nombre de couples d'observations utilisés.
La formule expliquée
La formule s'écrit $$\text{MAE} = \frac{1}{n}\sum_{i=1}^{n}\left| y_i - \hat{y}_i \right|$$. Pour chaque observation, on soustrait la valeur prédite (\(\hat{y}_i\)) de la valeur réelle (\(y_i\)), on prend la valeur absolue de cet écart (sans tenir compte du signe), on additionne toutes ces différences absolues, puis on divise le tout par \(n\), le nombre d'observations. Le résultat correspond à la taille typique d'une erreur de prédiction.
Exemple concret
Supposons que les valeurs réelles soient 3, 5, 2, 7 et que les valeurs prédites soient 2,5, 5, 4, 8. Les erreurs absolues valent \(|3-2{,}5| = 0{,}5\), \(|5-5| = 0\), \(|2-4| = 2\) et \(|7-8| = 1\). Leur somme est de 3,5. En divisant par \(n = 4\), on obtient $$\text{MAE} = \frac{3{,}5}{4} = 0{,}875.$$
Interpréter votre résultat MAE
La MAE est la taille moyenne des erreurs de prévision, sans tenir compte du sens. Elle s'exprime dans les mêmes unités que vos données. Une MAE de 5 sur une série mesurée en kilogrammes signifie que les prévisions s'écartent en moyenne d'environ 5 kg. La même valeur de 5 sur une série mesurée en tonnes signifie tout autre chose.
Replacez le chiffre dans son contexte. Une MAE brute est difficile à évaluer seule. Comparez-la donc à l'une de ces références :
- La moyenne ou l'étendue des valeurs réelles. Une MAE de 2 est faible si les valeurs réelles ont une moyenne de 1 000, mais élevée si elles ont une moyenne de 5.
- Une prévision de référence naïve. Par exemple \(\hat{y}_t = y_{t-1}\) (la dernière valeur) ou la moyenne des valeurs réelles. Si la MAE de votre modèle n'est pas nettement inférieure à celle de la référence, il apporte peu de valeur.
- Une version relative à l'échelle. Une version courante est \(\text{MAE} / \bar{y}\), soit la MAE divisée par la moyenne des valeurs réelles, souvent exprimée en pourcentage. Elle n'a de sens que lorsque la moyenne est nettement éloignée de zéro.
La MAE dépend de l'échelle. Vous ne pouvez pas comparer une MAE en dollars à une MAE en degrés. Vous ne pouvez pas non plus comparer la MAE entre jeux de données aux unités ou ordres de grandeur différents, sauf si vous la normalisez au préalable (par exemple par la moyenne, ou par la MAE d'une référence naïve).
MAE et RMSE. Pour un même ensemble d'erreurs, la MAE n'est jamais supérieure à la RMSE :
$$\text{MAE} \le \text{RMSE}$$
Elles ne sont égales que lorsque toutes les erreurs ont la même taille absolue. Un écart important entre RMSE et MAE signale que quelques grandes erreurs dominent. Un petit écart indique que les erreurs sont assez uniformes.
Robustesse. La MAE pondère chaque erreur de façon linéaire : une erreur de 10 compte exactement deux fois plus qu'une erreur de 5. Elle est donc moins sensible aux valeurs aberrantes que les métriques fondées sur l'erreur quadratique, ce qui est utile lorsque des valeurs extrêmes occasionnelles ne doivent pas dominer le score. Si les grandes erreurs sont particulièrement coûteuses, la RMSE peut être une métrique plus pertinente à suivre en complément de la MAE.
MAE vs RMSE vs MSE : comparaison sur des données d'exemple
Les trois scénarios utilisent les mêmes valeurs réelles : 10, 20, 30, 40 (n = 4). Seules les prévisions changent. Les scénarios 1 et 2 ont la même erreur absolue totale de 8, donc leur MAE est identique.
| Scénario | Prédit | Erreurs (y − ŷ) | MAE | MSE | RMSE |
|---|---|---|---|---|---|
| 1. Petites erreurs uniformes | 12, 18, 32, 38 | −2, 2, −2, 2 | (2+2+2+2)/4 = 2 | (4+4+4+4)/4 = 4 | √4 = 2 |
| 2. Une grande erreur | 10, 20, 30, 32 | 0, 0, 0, 8 | (0+0+0+8)/4 = 2 | (0+0+0+64)/4 = 16 | √16 = 4 |
| 3. Prévisions parfaites | 10, 20, 30, 40 | 0, 0, 0, 0 | 0/4 = 0 | 0/4 = 0 | √0 = 0 |
Ce que montre le tableau :
- Les scénarios 1 et 2 ont tous deux une MAE = 2, car la MAE ne dépend que de l'erreur absolue totale (8) divisée par n (4).
- Concentrer cette même erreur en un seul point fait passer la MSE de 4 à 16 et la RMSE de 2 à 4, car l'élévation au carré pénalise fortement l'erreur unique de 8 : \(8^2 = 64\) contre \(4 \times 2^2 = 16\).
- Dans le scénario 1, la RMSE est égale à la MAE parce que toutes les erreurs ont la même taille. Dans le scénario 2, la RMSE vaut le double de la MAE, ce qui signale quelques grandes erreurs.
- Dans le scénario 3, les trois métriques valent 0, la meilleure valeur possible.
Questions fréquentes
Quelle est la différence entre la MAE et la MSE ? La MAE calcule la moyenne des erreurs absolues, tandis que l'erreur quadratique moyenne (MSE, pour Mean Squared Error) calcule la moyenne des erreurs au carré. La MSE pénalise plus fortement les grands écarts, alors que la MAE traite toutes les erreurs de manière proportionnelle.
Qu'est-ce qu'une bonne valeur de MAE ? Plus elle est faible, mieux c'est, et une MAE de 0 correspond à des prédictions parfaites. Il n'existe aucun seuil universel : interprétez-la toujours en fonction de l'échelle et de la plage de valeurs habituelles de vos données.
La MAE peut-elle être négative ? Non. Comme elle correspond à la moyenne de différences absolues (toujours positives ou nulles), la MAE est toujours nulle ou positive.