Công Cụ Tính Sai Số Tuyệt Đối Trung Bình (MAE)

Công Cụ Tính Sai Số Tuyệt Đối Trung Bình (MAE)

Đang tăng trưởng AI Skill PRO

Nhập phép tính

Các số cách nhau bằng dấu phẩy hoặc khoảng trắng
Phải có cùng số lượng với giá trị thực tế

Công thức

MAE=1n∑i=1n|yi−y^i|\text{MAE} = \frac{1}{n}\sum_{i=1}^{n}\left| {y_i} - {{\hat{y}_i}} \right|
Thống kê sử dụng

Quảng cáo

Kết quả

Sai Số Tuyệt Đối Trung Bình (MAE)
0,875
độ lệch tuyệt đối trung bình
Tổng các sai số tuyệt đối 3,5
Số cặp (n) 4

Báo lỗi nội dung trang này

Sai Số Tuyệt Đối Trung Bình (MAE) Là Gì?

Sai Số Tuyệt Đối Trung Bình (Mean Absolute Error - MAE) là một trong những chỉ số phổ biến nhất để đánh giá độ chính xác của mô hình hồi quy hoặc dự báo. Nó đo độ lớn trung bình của các sai số giữa giá trị dự đoán và giá trị thực tế quan sát được, mà không quan tâm đến chiều hướng (âm hay dương) của sai số. Vì sử dụng giá trị tuyệt đối nên mọi sai số đều đóng góp dương vào tổng, khiến MAE rất dễ hiểu: đó chính là mức độ sai lệch trung bình của các dự đoán, được biểu thị bằng đúng đơn vị của dữ liệu.

Biểu đồ phân tán có đường hồi quy thể hiện khoảng cách dọc giữa các điểm thực tế và giá trị dự đoán
MAE đo khoảng cách dọc tuyệt đối trung bình giữa các điểm dữ liệu thực tế và giá trị dự đoán.

Cách Sử Dụng Công Cụ

Hãy nhập danh sách giá trị thực tế (quan sát được) và danh sách giá trị dự đoán (từ dự báo hoặc mô hình) vào hai ô tương ứng. Mỗi số cách nhau bằng dấu phẩy hoặc khoảng trắng. Lưu ý rằng cả hai danh sách phải có cùng số lượng giá trị và được sắp xếp khớp nhau, sao cho giá trị thực tế đầu tiên tương ứng với giá trị dự đoán đầu tiên, và cứ thế tiếp tục. Nhấn nút tính toán để nhận kết quả MAE cùng với tổng các sai số tuyệt đối và số cặp quan sát đã được sử dụng.

Giải Thích Công Thức

Công thức là

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

Với mỗi quan sát, bạn lấy giá trị thực tế (\(y_i\)) trừ đi giá trị dự đoán (\(\hat{y}_i\)), lấy giá trị tuyệt đối của hiệu này (bỏ qua dấu trừ), cộng tất cả các giá trị tuyệt đối này lại, rồi cuối cùng chia cho \(n\) — số lượng quan sát. Kết quả thu được chính là độ lớn điển hình của một sai số dự đoán.

Quảng cáo
Sơ đồ thể hiện sai số tuyệt đối là khoảng cách không dấu giữa giá trị thực tế và dự đoán trên trục số
Mỗi số hạng lấy hiệu tuyệt đối giữa giá trị thực tế và dự đoán, nên các sai số không bao giờ triệt tiêu nhau.

Ví Dụ Minh Họa

Giả sử các giá trị thực tế là 3, 5, 2, 7 và các giá trị dự đoán là 2.5, 5, 4, 8. Khi đó các sai số tuyệt đối lần lượt là \(|3-2.5| = 0.5\), \(|5-5| = 0\), \(|2-4| = 2\), và \(|7-8| = 1\). Tổng của chúng là 3.5. Chia cho \(n = 4\) ta được \(\text{MAE} = 3.5 / 4 = 0.875\).

Diễn giải kết quả MAE của bạn

MAE là kích thước trung bình của sai số dự báo, bỏ qua chiều của sai số. Nó được biểu thị bằng cùng đơn vị với dữ liệu của bạn. Một MAE bằng 5 đối với chuỗi đo bằng kilogam nghĩa là các dự báo sai lệch trung bình khoảng 5 kg. Cùng giá trị 5 đối với chuỗi đo bằng tấn thì có ý nghĩa hoàn toàn khác.

Đặt con số vào bối cảnh. MAE thô khó đánh giá khi đứng một mình, vì vậy hãy so sánh nó với một trong các mốc sau:

  • Giá trị trung bình hoặc khoảng giá trị thực tế. MAE bằng 2 là nhỏ khi giá trị thực tế trung bình là 1.000, nhưng lại lớn khi giá trị thực tế trung bình là 5.
  • Dự báo cơ sở ngây thơ (naive baseline). Ví dụ là \(\hat{y}_t = y_{t-1}\) (giá trị gần nhất) hoặc trung bình của các giá trị thực tế. Nếu MAE của mô hình của bạn không thấp hơn rõ rệt so với MAE của cơ sở, mô hình đó ít mang lại giá trị gia tăng.
  • Phiên bản tương đối theo quy mô. Một phiên bản phổ biến là \(\text{MAE} / \bar{y}\), tức MAE chia cho trung bình của các giá trị thực tế, thường được biểu thị dưới dạng phần trăm. Chỉ số này chỉ có ý nghĩa khi trung bình cách xa số 0 đáng kể.

MAE không độc lập với quy mô. Bạn không thể so sánh một MAE tính bằng đô la với một MAE tính bằng độ. Bạn cũng không thể so sánh MAE giữa các bộ dữ liệu có đơn vị hoặc độ lớn khác nhau, trừ khi bạn chuẩn hóa nó trước (ví dụ theo trung bình, hoặc theo MAE của dự báo cơ sở ngây thơ).

MAE so với RMSE. Với cùng một tập sai số, MAE không bao giờ lớn hơn RMSE:

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

Hai giá trị này chỉ bằng nhau khi mọi sai số có cùng độ lớn tuyệt đối. Khoảng cách lớn giữa RMSE và MAE cho thấy một vài sai số lớn đang chi phối kết quả. Khoảng cách nhỏ có nghĩa là các sai số khá đồng đều.

Tính bền vững. MAE tính trọng số cho mọi sai số theo cách tuyến tính: một sai số 10 được tính gấp đôi một sai số 5. Vì vậy, MAE ít nhạy cảm với giá trị ngoại lai hơn so với các chỉ số sai số bình phương, điều này hữu ích khi các giá trị cực đoan thỉnh thoảng xuất hiện không nên chi phối điểm số. Nếu các dự báo hụt lớn đặc biệt tốn kém, RMSE có thể là chỉ số tốt hơn để theo dõi song song với MAE.

Quảng cáo

MAE so với RMSE so với MSE: So sánh trên dữ liệu mẫu

Cả ba kịch bản đều dùng cùng các giá trị thực tế: 10, 20, 30, 40 (n = 4). Chỉ có các dự báo thay đổi. Kịch bản 1 và 2 có cùng tổng sai số tuyệt đối là 8, nên MAE của chúng giống nhau.

Kịch bản Dự báo Sai số (y − ŷ) MAE MSE RMSE
1. Sai số nhỏ đồng đều 12, 18, 32, 38 −2, 2, −2, 2 (2+2+2+2)/4 = 2 (4+4+4+4)/4 = 4 √4 = 2
2. Một sai số lớn 10, 20, 30, 32 0, 0, 0, 8 (0+0+0+8)/4 = 2 (0+0+0+64)/4 = 16 √16 = 4
3. Dự báo hoàn hảo 10, 20, 30, 40 0, 0, 0, 0 0/4 = 0 0/4 = 0 √0 = 0

Bảng cho thấy điều gì:

  • Kịch bản 1 và 2 đều có MAE = 2, vì MAE chỉ phụ thuộc vào tổng sai số tuyệt đối (8) chia cho n (4).
  • Khi dồn cùng lượng sai số đó vào một điểm, MSE tăng từ 4 lên 16 và RMSE tăng từ 2 lên 4, vì phép bình phương phạt nặng sai số đơn lẻ 8: \(8^2 = 64\) so với \(4 \times 2^2 = 16\).
  • Ở kịch bản 1, RMSE bằng MAE vì mọi sai số có cùng độ lớn. Ở kịch bản 2, RMSE gấp đôi MAE, cho thấy có một vài sai số lớn.
  • Ở kịch bản 3, cả ba chỉ số đều bằng 0, đây là giá trị tốt nhất có thể.

Câu Hỏi Thường Gặp

MAE khác MSE như thế nào? MAE lấy trung bình của các sai số tuyệt đối, trong khi Sai Số Bình Phương Trung Bình (MSE) lấy trung bình của các sai số bình phương. MSE phạt nặng các sai số lớn hơn, còn MAE xử lý mọi sai số theo tỷ lệ ngang nhau.

Giá trị MAE bao nhiêu là tốt? Càng thấp càng tốt, và MAE = 0 nghĩa là dự đoán hoàn hảo. Không có ngưỡng chuẩn chung — bạn cần diễn giải nó dựa trên quy mô và khoảng giá trị điển hình của dữ liệu.

MAE có thể âm không? Không. Vì MAE lấy trung bình của các hiệu số tuyệt đối (luôn không âm) nên MAE luôn bằng 0 hoặc dương.

Cập nhật lần cuối:

Phổ biến nhất trong Toán học và Thống kê

Xem tất cả máy tính Toán học và Thống kê