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.
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.
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.
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.