Ortalama Mutlak Hata (MAE) Nedir?
Ortalama Mutlak Hata (MAE), bir regresyon modelinin veya tahminin doğruluğunu değerlendirmek için en sık kullanılan ölçütlerden biridir. Tahmin edilen değerler ile gerçekte gözlemlenen değerler arasındaki hataların ortalama büyüklüğünü, yönlerini dikkate almadan ölçer. Mutlak değer kullandığı için her hata toplama pozitif olarak katkı sağlar; bu da MAE'yi yorumlamayı kolaylaştırır: tahminlerinizin ortalama olarak ne kadar yanıldığını, verilerle aynı birimde ifade eder.
Bu Hesaplama Aracı Nasıl Kullanılır?
Gerçek (gözlemlenen) değerlerinizin listesini ve tahmin (model veya öngörü) değerlerinizin listesini iki kutuya girin. Her sayıyı virgül veya boşlukla ayırın. İki listenin de aynı sayıda değer içerdiğinden emin olun; öyle ki ilk gerçek değer ilk tahminle, ikinci gerçek değer ikinci tahminle eşleşsin. Hesapla'ya tıkladığınızda MAE değerini, mutlak hataların toplamını ve kullanılan eşleştirilmiş gözlem sayısını görürsünüz.
Formülün Açıklaması
Formül şudur: $$\text{MAE} = \frac{1}{n}\sum_{i=1}^{n}\left| y_i - \hat{y}_i \right|$$ Her gözlem için tahmin değerini (\(\hat{y}_i\)) gerçek değerden (\(y_i\)) çıkarır, bu farkın mutlak değerini alır (eksi işaretini yok sayarak), tüm bu mutlak farkları toplar ve son olarak gözlem sayısı olan \(n\)'e bölersiniz. Sonuç, tek bir tahmin hatasının tipik büyüklüğünü verir.
Çözümlü Örnek
Diyelim ki gerçek değerler 3, 5, 2, 7 ve tahmin değerleri 2,5, 5, 4, 8 olsun. Mutlak hatalar şöyledir: \(|3-2{,}5| = 0{,}5\), \(|5-5| = 0\), \(|2-4| = 2\) ve \(|7-8| = 1\). Toplamları 3,5'tir. \(n = 4\)'e böldüğümüzde $$\text{MAE} = \frac{3{,}5}{4} = 0{,}875$$ elde edilir.
MAE Sonucunuzu Yorumlama
MAE, yönü dikkate almadan tahmin hatalarının ortalama büyüklüğüdür. Verilerinizle aynı birimde ifade edilir. Kilogram cinsinden ölçülen bir seride 5 olan bir MAE, tahminlerin ortalama olarak yaklaşık 5 kg kadar sapması anlamına gelir. Tonla ölçülen bir seride aynı 5 değeri ise tamamen farklı bir şey ifade eder.
Sayıya bağlam kazandırın. Ham bir MAE tek başına değerlendirmesi zor olduğundan, onu şunlardan biriyle karşılaştırın:
- Gerçek değerlerin ortalaması veya aralığı. Gerçek değerlerin ortalaması 1.000 ise 2 olan bir MAE küçüktür, ancak ortalama 5 ise büyüktür.
- Naif bir temel tahmin. Örnekler \(\hat{y}_t = y_{t-1}\) (son değer) veya gerçek değerlerin ortalamasıdır. Modelinizin MAE değeri temel tahminin MAE değerinden açıkça düşük değilse, modelin pek katkısı yoktur.
- Ölçeğe göre normalleştirilmiş bir sürüm. Yaygın bir örnek \(\text{MAE} / \bar{y}\)'dir; yani MAE'nin gerçek değerlerin ortalamasına bölünmesidir ve çoğu zaman yüzde olarak gösterilir. Bu yalnızca ortalama sıfırdan belirgin biçimde uzaktayken anlamlıdır.
MAE ölçekten bağımsız değildir. Dolar cinsinden bir MAE ile derece cinsinden bir MAE'yi karşılaştıramazsınız. Ayrıca, önce normalleştirmeden (örneğin ortalamaya veya naif bir temel tahminin MAE değerine bölerek), farklı birimlere veya büyüklüklere sahip veri kümelerinin MAE değerlerini de karşılaştıramazsınız.
MAE ile RMSE karşılaştırması. Aynı hata kümesi için MAE, asla RMSE'den büyük olmaz:
$$\text{MAE} \le \text{RMSE}$$
Bu iki değer yalnızca her hatanın mutlak büyüklüğü aynıysa eşit olur. RMSE ile MAE arasındaki büyük fark, birkaç büyük hatanın baskın olduğunu gösterir. Küçük fark ise hataların oldukça düzgün dağıldığı anlamına gelir.
Sağlamlık. MAE her hatayı doğrusal olarak ağırlıklandırır: 10 olan bir hata, 5 olan bir hatanın tam olarak iki katı sayılır. Bu nedenle kare hatalı metriklere kıyasla aykırı değerlere karşı daha az duyarlıdır; bu, ara sıra görülen aşırı değerlerin skoru belirlemesini istemediğinizde faydalıdır. Büyük yanılmaların özellikle maliyetli olması durumunda, MAE ile birlikte RMSE'yi de izlemek daha uygun olabilir.
MAE, RMSE ve MSE: Örnek Veri Üzerinde Karşılaştırma
Üç senaryoda da aynı gerçek değerler kullanılır: 10, 20, 30, 40 (n = 4). Yalnızca tahminler değişir. Senaryo 1 ve 2'nin toplam mutlak hatası 8 olarak aynıdır, bu nedenle MAE değerleri de aynıdır.
| Senaryo | Tahmin | Hatalar (y − ŷ) | MAE | MSE | RMSE |
|---|---|---|---|---|---|
| 1. Küçük ve düzgün hatalar | 12, 18, 32, 38 | −2, 2, −2, 2 | (2+2+2+2)/4 = 2 | (4+4+4+4)/4 = 4 | √4 = 2 |
| 2. Tek büyük hata | 10, 20, 30, 32 | 0, 0, 0, 8 | (0+0+0+8)/4 = 2 | (0+0+0+64)/4 = 16 | √16 = 4 |
| 3. Mükemmel tahminler | 10, 20, 30, 40 | 0, 0, 0, 0 | 0/4 = 0 | 0/4 = 0 | √0 = 0 |
Tablonun gösterdikleri:
- Senaryo 1 ve 2'nin ikisinde de MAE = 2'dir, çünkü MAE yalnızca toplam mutlak hataya (8) ve n değerine (4) bağlıdır.
- Aynı hatanın tek bir noktada toplanması MSE değerini 4'ten 16'ya, RMSE değerini ise 2'den 4'e çıkarır; çünkü karesi alınınca tek 8'lik hata ağır biçimde cezalandırılır: \(8^2 = 64\) ve \(4 \times 2^2 = 16\).
- Senaryo 1'de tüm hatalar aynı büyüklükte olduğu için RMSE, MAE'ye eşittir. Senaryo 2'de RMSE, MAE'nin iki katıdır; bu da birkaç büyük hata olduğunu gösterir.
- Senaryo 3'te üç metriğin de değeri 0'dır; bu mümkün olan en iyi değerdir.
Sıkça Sorulan Sorular
MAE ile MSE arasındaki fark nedir? MAE mutlak hataların ortalamasını alırken, Ortalama Kare Hata (MSE) hataların karelerinin ortalamasını alır. MSE büyük hataları çok daha ağır cezalandırır, MAE ise tüm hataları orantılı biçimde ele alır.
İyi bir MAE değeri kaçtır? Düşük olması daha iyidir; \(\text{MAE} = 0\) mükemmel tahmin anlamına gelir. Evrensel bir eşik yoktur — değeri her zaman verilerinizin ölçeğine ve tipik aralığına göre yorumlayın.
MAE negatif olabilir mi? Hayır. Her zaman negatif olmayan mutlak farkların ortalamasını aldığı için MAE her zaman sıfır veya pozitiftir.