平均絶対誤差(MAE)とは?
平均絶対誤差(MAE:Mean Absolute Error)は、回帰モデルや予測の精度を評価する際にもっともよく使われる指標の一つです。予測値と実際の観測値とのあいだに生じる誤差の大きさを、その「向き(プラスかマイナスか)」を問わずに平均として表します。絶対値を用いるため、すべての誤差がプラスとして積み上がり、結果の解釈もシンプルです。つまりMAEは「予測がどれくらい外れているか」の平均値であり、元のデータと同じ単位で示されるため直感的に理解できます。
この計算ツールの使い方
2つの入力欄に、実測値(観測値)のリストと予測値(モデルや予測の値)のリストをそれぞれ入力してください。数値はカンマまたはスペースで区切ります。両方のリストの個数は必ず同じにし、1番目の実測値と1番目の予測値、2番目どうし……といったように順番が対応するように並べてください。「計算する」をクリックすると、MAEに加えて、絶対誤差の合計とペアになった観測データの件数も表示されます。
計算式の解説
計算式は $$\text{MAE} = \frac{1}{n}\sum_{i=1}^{n}\left| y_i - \hat{y}_i \right|$$ です。各データについて、実測値(\(y_i\))から予測値(\(\hat{y}_i\))を引き、その差の絶対値(マイナス符号を無視した値)を求めます。これらの絶対値をすべて足し合わせ、最後にデータの件数 \(n\) で割ります。得られた値が、1件あたりの予測誤差のおおよその大きさを表します。
計算例
実測値が 3, 5, 2, 7、予測値が 2.5, 5, 4, 8 の場合を考えてみましょう。各絶対誤差は \(|3-2.5| = 0.5\)、\(|5-5| = 0\)、\(|2-4| = 2\)、\(|7-8| = 1\) となります。これらの合計は 3.5 です。データ件数 \(n = 4\) で割ると、$$\text{MAE} = 3.5 \div 4 = 0.875$$ となります。
MAE結果の解釈
MAEは、予測誤差の大きさを方向を無視して平均したものです。単位はデータと同じ単位で表されます。キログラムで測定されたデータでMAEが5の場合、予測は平均して約5kgずれていることを意味します。同じ値の5でも、トン単位で測定されたデータでは全く異なる意味になります。
数値に文脈を与えましょう。MAEの値だけでは良し悪しを判断しにくいため、次のいずれかと比較してください:
- 実測値の平均または範囲。実測値の平均が1,000のときMAEが2であれば小さいと言えますが、平均が5のときは大きいと言えます。
- 単純なベースライン予測。例として\(\hat{y}_t = y_{t-1}\)(直前の値)や実測値の平均があります。モデルのMAEがベースラインのMAEより明らかに低くない場合、そのモデルの付加価値はわずかです。
- 尺度に相対的な指標。一般的なものは\(\text{MAE} / \bar{y}\)、つまりMAEを実測値の平均で割った値で、しばしばパーセントで示されます。平均が0から十分に離れている場合にのみ意味があります。
MAEは尺度に依存しません。ドル単位のMAEと度単位のMAEを比較することはできません。また、単位や大きさの異なるデータセット間でMAEを比較することもできません。ただし、事前に正規化(例えば平均で割る、または単純なベースラインのMAEで割る)を行えば比較可能です。
MAEとRMSEの関係。同じ誤差の集合について、MAEがRMSEより大きくなることはありません:
$$\text{MAE} \le \text{RMSE}$$
両者が等しくなるのは、すべての誤差の絶対値の大きさが同じである場合に限られます。RMSEとMAEの差が大きい場合は、少数の大きな誤差が全体を支配していることを示します。差が小さい場合は、誤差がほぼ均一であることを意味します。
頑健性。MAEは誤差を線形に重み付けします。すなわち、誤差10は誤差5のちょうど2倍として数えられます。そのため、二乗誤差に基づく指標と比べて外れ値の影響を受けにくく、まれに現れる極端な値がスコアを支配すべきでない場合に有用です。大きな予測ミスが特にコストにつながる場合は、MAEと合わせてRMSEを監視する方が適切かもしれません。
MAE・RMSE・MSEの比較:サンプルデータによる検証
3つのシナリオはすべて同じ実測値10, 20, 30, 40(n = 4)を使用します。変わるのは予測値のみです。シナリオ1と2は絶対誤差の合計が8で同じため、MAEも同じになります。
| シナリオ | 予測値 | 誤差(y − ŷ) | MAE | MSE | RMSE |
|---|---|---|---|---|---|
| 1. 小さく均一な誤差 | 12, 18, 32, 38 | −2, 2, −2, 2 | (2+2+2+2)/4 = 2 | (4+4+4+4)/4 = 4 | √4 = 2 |
| 2. 1つの大きな誤差 | 10, 20, 30, 32 | 0, 0, 0, 8 | (0+0+0+8)/4 = 2 | (0+0+0+64)/4 = 16 | √16 = 4 |
| 3. 完全な予測 | 10, 20, 30, 40 | 0, 0, 0, 0 | 0/4 = 0 | 0/4 = 0 | √0 = 0 |
表からわかること:
- シナリオ1と2はどちらもMAE = 2です。MAEは絶対誤差の合計(8)をn(4)で割った値のみに依存するためです。
- 同じ誤差を1点に集中させると、MSEは4から16に、RMSEは2から4に上昇します。これは、8という単一の誤差を二乗すると大きなペナルティになるためです:\(8^2 = 64\) 対 \(4 \times 2^2 = 16\)。
- シナリオ1では、すべての誤差の大きさが同じなのでRMSEはMAEと等しくなります。シナリオ2ではRMSEがMAEの2倍であり、少数の大きな誤差があることを示しています。
- シナリオ3では、3つの指標がすべて0で、これは最良の値です。
よくある質問(FAQ)
MAEとMSEはどう違いますか? MAEは絶対誤差の平均をとるのに対し、平均二乗誤差(MSE)は二乗した誤差の平均をとります。MSEは大きな誤差をより強く罰するのに対し、MAEはすべての誤差を比例的に同じ重みで扱います。
MAEはどのくらいの値なら「良い」のですか? 値が小さいほど良く、\(\text{MAE} = 0\) は完全に正確な予測を意味します。普遍的な基準値はなく、扱うデータの大きさや一般的な数値の範囲に照らして相対的に判断します。
MAEがマイナスになることはありますか? ありません。常に0以上となる絶対値の差を平均しているため、MAEは必ず0または正の値になります。