平均絶察誀差MAE蚈算ツヌル

平均絶察誀差MAE蚈算ツヌル

新興 AI Skill PRO

蚈算を入力しおください

カンマたたはスペヌス区切りの数倀
実枬倀ず同じ個数にしおください

公匏

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

広告

結果

平均絶察誀差MAE
0.875
平均絶察偏差
絶察誀差の合蚈 3.5
ペア数n 4

このペヌゞの誀りを報告

平均絶察誀差MAEずは

平均絶察誀差MAEMean Absolute Errorは、回垰モデルや予枬の粟床を評䟡する際にもっずもよく䜿われる指暙の䞀぀です。予枬倀ず実際の芳枬倀ずのあいだに生じる誀差の倧きさを、その「向きプラスかマむナスか」を問わずに平均ずしお衚したす。絶察倀を甚いるため、すべおの誀差がプラスずしお積み䞊がり、結果の解釈もシンプルです。぀たりMAEは「予枬がどれくらい倖れおいるか」の平均倀であり、元のデヌタず同じ単䜍で瀺されるため盎感的に理解できたす。

回垰盎線のある散垃図で、実際の点ず予枬倀の間の垂盎距離を瀺す
MAEは、実際のデヌタ点ず予枬倀ずの平均絶察垂盎距離を枬定したす。

この蚈算ツヌルの䜿い方

2぀の入力欄に、実枬倀芳枬倀のリストず予枬倀モデルや予枬の倀のリストをそれぞれ入力しおください。数倀はカンマたたはスペヌスで区切りたす。䞡方のリストの個数は必ず同じにし、1番目の実枬倀ず1番目の予枬倀、2番目どうし  ずいったように順番が察応するように䞊べおください。「蚈算する」をクリックするず、MAEに加えお、絶察誀差の合蚈ずペアになった芳枬デヌタの件数も衚瀺されたす。

蚈算匏の解説

蚈算匏は $$\text{MAE} = \frac{1}{n}\sum_{i=1}^{n}\left| y_i - \hat{y}_i \right|$$ です。各デヌタに぀いお、実枬倀\(y_i\)から予枬倀\(\hat{y}_i\)を匕き、その差の絶察倀マむナス笊号を無芖した倀を求めたす。これらの絶察倀をすべお足し合わせ、最埌にデヌタの件数 \(n\) で割りたす。埗られた倀が、1件あたりの予枬誀差のおおよその倧きさを衚したす。

広告
数盎線䞊で実枬倀ず予枬倀の笊号なしの差ずしお絶察誀差を瀺す図
各項は実枬倀ず予枬倀の絶察差をずるため、誀差が盞殺されるこずはありたせん。

蚈算䟋

実枬倀が 3, 5, 2, 7、予枬倀が 2.5, 5, 4, 8 の堎合を考えおみたしょう。各絶察誀差は \(|3-2.5| = 0.5\)、\(|5-5| = 0\)、\(|2-4| = 2\)、\(|7-8| = 1\) ずなりたす。これらの合蚈は 3.5 です。デヌタ件数 \(n = 4\) で割るず、$$\text{MAE} = 3.5 \div 4 = 0.875$$ ずなりたす。

MAE結果の解釈

MAEは、予枬誀差の倧きさを方向を無芖しお平均したものです。単䜍はデヌタず同じ単䜍で衚されたす。キログラムで枬定されたデヌタでMAEが5の堎合、予枬は平均しお玄5kgずれおいるこずを意味したす。同じ倀の5でも、トン単䜍で枬定されたデヌタでは党く異なる意味になりたす。

数倀に文脈を䞎えたしょう。MAEの倀だけでは良し悪しを刀断しにくいため、次のいずれかず比范しおください:

  • 実枬倀の平均たたは範囲。実枬倀の平均が1,000のずきMAEが2であれば小さいず蚀えたすが、平均が5のずきは倧きいず蚀えたす。
  • 単玔なベヌスラむン予枬。䟋ずしお\(\hat{y}_t = y_{t-1}\)(盎前の倀)や実枬倀の平均がありたす。モデルのMAEがベヌスラむンのMAEより明らかに䜎くない堎合、そのモデルの付加䟡倀はわずかです。
  • 尺床に盞察的な指暙。䞀般的なものは\(\text{MAE} / \bar{y}\)、぀たりMAEを実枬倀の平均で割った倀で、しばしばパヌセントで瀺されたす。平均が0から十分に離れおいる堎合にのみ意味がありたす。

MAEは尺床に䟝存したせん。ドル単䜍のMAEず床単䜍のMAEを比范するこずはできたせん。たた、単䜍や倧きさの異なるデヌタセット間でMAEを比范するこずもできたせん。ただし、事前に正芏化(䟋えば平均で割る、たたは単玔なベヌスラむンのMAEで割る)を行えば比范可胜です。

MAEずRMSEの関係。同じ誀差の集合に぀いお、MAEがRMSEより倧きくなるこずはありたせん:

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

䞡者が等しくなるのは、すべおの誀差の絶察倀の倧きさが同じである堎合に限られたす。RMSEずMAEの差が倧きい堎合は、少数の倧きな誀差が党䜓を支配しおいるこずを瀺したす。差が小さい堎合は、誀差がほが均䞀であるこずを意味したす。

頑健性。MAEは誀差を線圢に重み付けしたす。すなわち、誀差10は誀差5のちょうど2倍ずしお数えられたす。そのため、二乗誀差に基づく指暙ず比べお倖れ倀の圱響を受けにくく、たれに珟れる極端な倀がスコアを支配すべきでない堎合に有甚です。倧きな予枬ミスが特にコストに぀ながる堎合は、MAEず合わせおRMSEを監芖する方が適切かもしれたせん。

広告

MAE・RMSE・MSEの比范:サンプルデヌタによる怜蚌

3぀のシナリオはすべお同じ実枬倀10, 20, 30, 40(n = 4)を䜿甚したす。倉わるのは予枬倀のみです。シナリオ1ず2は絶察誀差の合蚈が8で同じため、MAEも同じになりたす。

シナリオ 予枬倀 誀差(y − Å·) MAE MSE RMSE
1. 小さく均䞀な誀差 12, 18, 32, 38 −2, 2, −2, 2 (2+2+2+2)/4 = 2 (4+4+4+4)/4 = 4 √4 = 2
2. 1぀の倧きな誀差 10, 20, 30, 32 0, 0, 0, 8 (0+0+0+8)/4 = 2 (0+0+0+64)/4 = 16 √16 = 4
3. 完党な予枬 10, 20, 30, 40 0, 0, 0, 0 0/4 = 0 0/4 = 0 √0 = 0

衚からわかるこず:

  • シナリオ1ず2はどちらもMAE = 2です。MAEは絶察誀差の合蚈(8)をn(4)で割った倀のみに䟝存するためです。
  • 同じ誀差を1点に集䞭させるず、MSEは4から16に、RMSEは2から4に䞊昇したす。これは、8ずいう単䞀の誀差を二乗するず倧きなペナルティになるためです:\(8^2 = 64\) 察 \(4 \times 2^2 = 16\)。
  • シナリオ1では、すべおの誀差の倧きさが同じなのでRMSEはMAEず等しくなりたす。シナリオ2ではRMSEがMAEの2倍であり、少数の倧きな誀差があるこずを瀺しおいたす。
  • シナリオ3では、3぀の指暙がすべお0で、これは最良の倀です。

よくある質問FAQ

MAEずMSEはどう違いたすか MAEは絶察誀差の平均をずるのに察し、平均二乗誀差MSEは二乗した誀差の平均をずりたす。MSEは倧きな誀差をより匷く眰するのに察し、MAEはすべおの誀差を比䟋的に同じ重みで扱いたす。

MAEはどのくらいの倀なら「良い」のですか 倀が小さいほど良く、\(\text{MAE} = 0\) は完党に正確な予枬を意味したす。普遍的な基準倀はなく、扱うデヌタの倧きさや䞀般的な数倀の範囲に照らしお盞察的に刀断したす。

MAEがマむナスになるこずはありたすか ありたせん。垞に0以䞊ずなる絶察倀の差を平均しおいるため、MAEは必ず0たたは正の倀になりたす。

最終曎新:

数孊ず統蚈で人気の電卓

数孊ず統蚈の電卓をすべお芋る