平均絕對誤差計算器(MAE)

平均絕對誤差計算器(MAE)

成長中 AI Skill PRO

輸入計算

以逗號或空格分隔的數字
數量必須與實際值相同

數學公式

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

廣告

結果

平均絕對誤差(MAE)
0.875
平均絕對偏差
絕對誤差總和 3.5
配對筆數(n) 4

回報本頁錯誤

什麼是平均絕對誤差(MAE)?

平均絕對誤差(Mean Absolute Error,簡稱 MAE)是評估迴歸模型或預測準確度時最常用的指標之一。它衡量的是預測值與實際觀測值之間誤差的平均大小,而不考慮誤差的方向(正負)。由於採用絕對值,每一筆誤差都會正向累加到總和裡,因此 MAE 非常容易解讀:它代表你的預測平均偏離了多少,而且單位與原始資料完全相同。

帶迴歸線的散佈圖,顯示實際點與預測值之間的垂直距離
MAE 衡量實際資料點與預測值之間的平均絕對垂直距離。

如何使用本計算器

請在兩個輸入框中分別填入實際值(觀測值)清單與預測值(模型或預估值)清單,每個數字之間以逗號或空格分隔。請確認兩份清單的數量相同,並且一一對應——第一個實際值對應第一個預測值,以此類推。按下計算後,即可得到 MAE,以及絕對誤差總和與所使用的配對筆數。

公式詳解

計算公式為 $$\text{MAE} = \frac{1}{n}\sum_{i=1}^{n}\left| y_i - \hat{y}_i \right|$$。針對每一筆觀測,先以實際值(\(y_i\))減去預測值(\(\hat{y}_i\)),取這個差值的絕對值(忽略負號),再將所有絕對差值相加,最後除以觀測筆數 \(n\)。所得的結果,就是單筆預測誤差的典型大小。

廣告
示意圖,將絕對誤差呈現為數線上實際值與預測值之間的無符號間距
每一項都取實際值與預測值之間的絕對差,因此誤差永遠不會相互抵消。

實例演算

假設實際值為 3、5、2、7,預測值為 2.5、5、4、8。各筆的絕對誤差分別為 \(|3-2.5| = 0.5\)、\(|5-5| = 0\)、\(|2-4| = 2\)、\(|7-8| = 1\)。將它們相加得到總和 3.5。再除以 \(n = 4\),即得 $$\text{MAE} = 3.5 / 4 = 0.875$$

解讀你的 MAE 結果

MAE 是預測誤差的平均大小,不考慮方向。它與你的資料使用相同的單位。如果某序列以公斤為單位,MAE 為 5 表示預測平均偏差約 5 公斤。若同樣的數值 5 出現在以公噸為單位的序列上,其意義則完全不同。

為數字提供脈絡。單獨看原始 MAE 很難判斷好壞,因此請將它與以下其中一項比較:

  • 實際值的平均數或範圍。若實際值平均為 1,000,MAE 為 2 很小;但若實際值平均為 5,則很大。
  • 簡單基準預測(naive baseline)。例如 \(\hat{y}_t = y_{t-1}\)(上一個值),或實際值的平均數。若你的模型 MAE 沒有明顯低於基準的 MAE,表示它的附加價值不高。
  • 相對尺度的版本。常見的一種是 \(\text{MAE} / \bar{y}\),即 MAE 除以實際值的平均數,通常以百分比表示。只有在平均數明顯遠離零時才有意義。

MAE 並非無尺度。你不能將以美元計的 MAE 與以度計的 MAE 相比較。若資料集的單位或量級不同,也不能直接比較它們的 MAE,除非先進行標準化(例如除以平均數,或除以簡單基準的 MAE)。

MAE 與 RMSE。對於同一組誤差,MAE 永遠不會大於 RMSE:

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

只有當每個誤差的絕對大小都相同時,兩者才會相等。RMSE 與 MAE 之間的差距很大,表示少數幾個大誤差主導了結果;差距很小則表示誤差相當均勻。

穩健性。MAE 對每個誤差採線性加權:誤差 10 的影響恰好是誤差 5 的兩倍。因此,相較於平方誤差指標,它對離群值較不敏感,當偶發的極端值不應主導評分時特別有用。若大的偏差代價特別高,可考慮在關注 MAE 的同時也觀察 RMSE。

廣告

MAE 與 RMSE 與 MSE:樣本資料的比較

三種情境使用相同的實際值:10、20、30、40(n = 4)。只有預測值不同。情境 1 與情境 2 的絕對誤差總和皆為 8,因此它們的 MAE 相同。

情境 預測值 誤差(y − ŷ) MAE MSE RMSE
1. 小且均勻的誤差 12、18、32、38 −2、2、−2、2 (2+2+2+2)/4 = 2 (4+4+4+4)/4 = 4 √4 = 2
2. 一個大誤差 10、20、30、32 0、0、0、8 (0+0+0+8)/4 = 2 (0+0+0+64)/4 = 16 √16 = 4
3. 完美預測 10、20、30、40 0、0、0、0 0/4 = 0 0/4 = 0 √0 = 0

表格顯示的內容:

  • 情境 1 與情境 2 的 MAE 皆為 2,因為 MAE 只取決於絕對誤差總和(8)除以 n(4)。
  • 將同樣的誤差集中在單一點上,會使 MSE 從 4 上升到 16,RMSE 從 2 上升到 4,因為平方會大幅懲罰單一誤差 8:\(8^2 = 64\) 對比 \(4 \times 2^2 = 16\)。
  • 在情境 1 中,RMSE 等於 MAE,因為所有誤差大小相同。在情境 2 中,RMSE 是 MAE 的兩倍,表示存在少數幾個大誤差。
  • 在情境 3 中,三項指標皆為 0,為最佳可能值。

常見問題

MAE 與 MSE 有什麼不同? MAE 取的是絕對誤差的平均值,而均方誤差(MSE)取的是誤差平方的平均值。MSE 會對較大的誤差施以更重的懲罰,MAE 則是按比例平等地看待所有誤差。

MAE 多少才算好? 數值越低越好,\(\text{MAE} = 0\) 代表完全準確的預測。它並沒有一個放諸四海皆準的標準門檻——應該依據資料本身的尺度與常見數值範圍來相對解讀。

MAE 會是負值嗎? 不會。因為它取的是絕對差值(恆為非負)的平均,所以 MAE 永遠是零或正值。

最後更新:

數學和統計熱門計算器

查看全部數學和統計計算器