평균 절대 오차(MAE) 계산기

평균 절대 오차(MAE) 계산기

성장 중 AI Skill PRO

계산 입력

쉼표 또는 공백으로 구분된 숫자
실제값과 개수가 같아야 합니다

공식

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

광고

결과

평균 절대 오차 (MAE)
0.875
평균 절대 편차
절대 오차의 합 3.5
짝의 개수 (n) 4

이 페이지의 오류 신고

평균 절대 오차(MAE)란?

평균 절대 오차(Mean Absolute Error, MAE)는 회귀 모델이나 예측의 정확도를 평가할 때 가장 널리 쓰이는 지표 중 하나입니다. 예측값과 실제 관측값 사이 오차의 평균 크기를, 방향(양수·음수)에 상관없이 측정합니다. 절댓값을 사용하기 때문에 모든 오차가 양수로 합산되며, 그만큼 해석이 직관적입니다. 즉 MAE는 "예측이 평균적으로 얼마나 빗나갔는지"를 데이터와 동일한 단위로 보여줍니다.

회귀선이 있는 산점도로, 실제 점과 예측값 사이의 수직 거리를 보여줌
MAE는 실제 데이터 점과 예측값 사이의 평균 절대 수직 거리를 측정합니다.

계산기 사용 방법

두 개의 입력란에 실제(관측)값 목록과 예측(모델 또는 예보)값 목록을 각각 입력하세요. 숫자는 쉼표나 공백으로 구분합니다. 두 목록의 값 개수가 같아야 하며, 첫 번째 실제값이 첫 번째 예측값과 짝을 이루도록 순서를 맞춰 주세요. 계산 버튼을 누르면 MAE와 함께 절대 오차의 합, 그리고 사용된 짝(쌍)의 개수가 표시됩니다.

공식 풀이

공식은 다음과 같습니다.

$$\text{MAE} = \frac{1}{n}\sum_{i=1}^{n}\left| y_i - \hat{y}_i \right|$$

각 관측값에 대해 실제값(\(y_i\))에서 예측값(\(\hat{y}_i\))을 뺀 다음, 그 차이의 절댓값(마이너스 부호 무시)을 구합니다. 이렇게 구한 모든 절대 차이를 더한 뒤, 관측값의 개수 \(n\)으로 나눕니다. 그 결과가 한 번의 예측에서 발생하는 전형적인 오차 크기입니다.

광고
수직선 위에서 실제값과 예측값 사이의 부호 없는 간격으로 절대 오차를 보여주는 다이어그램
각 항은 실제값과 예측값의 절대 차이를 취하므로 오차가 서로 상쇄되지 않습니다.

예제 풀이

실제값이 3, 5, 2, 7이고 예측값이 2.5, 5, 4, 8이라고 가정해 봅시다. 절대 오차는 각각 \(|3-2.5| = 0.5\), \(|5-5| = 0\), \(|2-4| = 2\), \(|7-8| = 1\) 입니다. 이들의 합은 3.5이고, 이를 \(n = 4\)로 나누면 다음과 같습니다.

$$\text{MAE} = \frac{3.5}{4} = 0.875$$

MAE 결과 해석하기

MAE는 방향을 무시한 예측 오차의 평균 크기입니다. 데이터와 같은 단위로 표현됩니다. 킬로그램(kg) 단위로 측정된 시계열에서 MAE가 5이면, 예측이 평균적으로 약 5kg 빗나간다는 뜻입니다. 같은 값 5라도 톤(t) 단위로 측정된 시계열에서는 전혀 다른 의미를 갖습니다.

숫자에 맥락을 부여하세요. MAE 원값만으로는 좋고 나쁨을 판단하기 어려우므로, 다음 중 하나와 비교하세요:

  • 실제값의 평균 또는 범위. 실제값의 평균이 1,000일 때 MAE가 2라면 작은 값이지만, 평균이 5일 때라면 큰 값입니다.
  • 단순 기준(naive baseline) 예측. 예를 들어 \(\hat{y}_t = y_{t-1}\)(직전 값) 또는 실제값의 평균이 있습니다. 모델의 MAE가 기준 예측의 MAE보다 뚜렷이 낮지 않다면, 모델의 가치는 크지 않습니다.
  • 규모 상대적 버전. 흔히 쓰는 방식은 \(\text{MAE} / \bar{y}\), 즉 MAE를 실제값의 평균으로 나눈 값이며, 종종 백분율로 표시합니다. 이 값은 평균이 0에서 충분히 떨어져 있을 때만 의미가 있습니다.

MAE는 규모에 독립적이지 않습니다. 달러(USD) 단위의 MAE와 도(°) 단위의 MAE는 비교할 수 없습니다. 단위나 크기가 다른 데이터셋 간에도, 먼저 정규화(예: 평균으로 나누기, 또는 단순 기준 예측의 MAE로 나누기)를 하지 않으면 MAE를 비교할 수 없습니다.

MAE 대 RMSE. 같은 오차 집합에 대해, MAE는 RMSE보다 커지는 경우가 없습니다:

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

두 값은 모든 오차의 절대 크기가 동일할 때에만 같아집니다. RMSE와 MAE의 차이가 크면 소수의 큰 오차가 결과를 지배하고 있다는 신호입니다. 차이가 작으면 오차가 비교적 고르게 분포되어 있다는 뜻입니다.

견고성. MAE는 모든 오차를 선형으로 반영합니다. 즉 오차 10은 오차 5보다 정확히 두 배로 계산됩니다. 따라서 제곱 오차 지표보다 이상치(outlier)에 덜 민감하며, 가끔 나타나는 극단값이 점수를 지배하지 않아야 할 때 유용합니다. 큰 빗나감의 비용이 특히 크다면, MAE와 함께 RMSE를 살펴보는 것이 더 나을 수 있습니다.

광고

MAE 대 RMSE 대 MSE: 샘플 데이터 비교

세 시나리오 모두 같은 실제값 10, 20, 30, 40(n = 4)을 사용합니다. 예측값만 달라집니다. 시나리오 1과 2는 절대 오차의 합이 8로 같으므로, 두 MAE도 동일합니다.

시나리오 예측값 오차 (y − ŷ) MAE MSE RMSE
1. 작은 균일 오차 12, 18, 32, 38 −2, 2, −2, 2 (2+2+2+2)/4 = 2 (4+4+4+4)/4 = 4 √4 = 2
2. 하나의 큰 오차 10, 20, 30, 32 0, 0, 0, 8 (0+0+0+8)/4 = 2 (0+0+0+64)/4 = 16 √16 = 4
3. 완벽한 예측 10, 20, 30, 40 0, 0, 0, 0 0/4 = 0 0/4 = 0 √0 = 0

표가 보여주는 내용:

  • 시나리오 1과 2는 모두 MAE = 2입니다. MAE는 절대 오차의 총합(8)을 n(4)으로 나눈 값에만 의존하기 때문입니다.
  • 같은 오차를 한 지점에 집중시키면 MSE는 4에서 16으로, RMSE는 2에서 4로 상승합니다. 제곱이 단일 오차 8에 큰 페널티를 주기 때문입니다: \(8^2 = 64\) 대 \(4 \times 2^2 = 16\).
  • 시나리오 1에서는 모든 오차의 크기가 같으므로 RMSE와 MAE가 같습니다. 시나리오 2에서는 RMSE가 MAE의 두 배인데, 이는 소수의 큰 오차가 있다는 신호입니다.
  • 시나리오 3에서는 세 지표 모두 0이며, 이는 가능한 최상의 값입니다.

자주 묻는 질문

MAE는 MSE와 어떻게 다른가요? MAE는 절대 오차의 평균인 반면, 평균 제곱 오차(MSE)는 제곱한 오차의 평균입니다. MSE는 큰 오차에 더 큰 패널티를 부여하지만, MAE는 모든 오차를 크기에 비례해 동일하게 다룹니다.

좋은 MAE 값은 어느 정도인가요? 값이 작을수록 좋으며, \(\text{MAE} = 0\)이면 완벽한 예측을 의미합니다. 절대적인 기준은 없으므로, 데이터의 규모와 일반적인 값의 범위를 함께 고려해 상대적으로 해석해야 합니다.

MAE가 음수가 될 수 있나요? 아니요. 항상 0 이상인 절대 차이의 평균이기 때문에, MAE는 언제나 0이거나 양수입니다.

최종 업데이트:

수학 및 통계 인기 계산기

수학 및 통계 계산기 전체 보기