什么是平均绝对误差(MAE)?
平均绝对误差(Mean Absolute Error,简称 MAE)是评估回归模型或预测效果时最常用的指标之一。它衡量的是预测值与实际观测值之间误差的平均大小,而不考虑误差的方向(正负)。由于采用了绝对值,每个误差都以正数形式累加,因此 MAE 非常容易理解:它表示你的预测平均偏离真实值的幅度,并且单位与原始数据保持一致。
如何使用本计算器
在两个输入框中分别填入你的真实值(实际观测值)列表和预测值(预测结果或模型输出)列表。数字之间用逗号或空格隔开。请确保两组数据的个数相同,并且一一对应——第一个真实值对应第一个预测值,依此类推。点击“计算”即可得到 MAE,同时还会显示绝对误差之和以及参与计算的配对数据组数。
公式详解
计算公式为
$$\text{MAE} = \frac{1}{n}\sum_{i=1}^{n}\left| y_i - \hat{y}_i \right|$$对于每一组数据,用真实值(\(y_i\))减去预测值(\(\hat{y}_i\)),取这个差值的绝对值(忽略正负号),再把所有绝对差值加在一起,最后除以 \(n\),也就是数据组的总个数。所得结果即为单次预测误差的典型大小。
计算示例
假设真实值为 3、5、2、7,预测值为 2.5、5、4、8。各组的绝对误差分别为 \(|3-2.5| = 0.5\)、\(|5-5| = 0\)、\(|2-4| = 2\)、\(|7-8| = 1\)。它们的总和为 3.5。除以 \(n = 4\),得到
$$\text{MAE} = \frac{3.5}{4} = 0.875$$解读你的 MAE 结果
MAE 是预测误差的平均大小,不考虑方向。它与你的数据使用相同的单位。如果一个序列以千克为单位,MAE 为 5 表示预测平均偏差约 5 kg。同样的数值 5,如果序列以吨为单位,则含义完全不同。
为数值提供背景。 单独看原始 MAE 很难判断好坏,因此请将其与以下之一进行比较:
- 实际值的均值或范围。 当实际值的平均值为 1,000 时,MAE 为 2 很小;而当平均值为 5 时,MAE 为 2 就很大。
- 朴素基线预测。 例如 \(\hat{y}_t = y_{t-1}\)(上一个值),或实际值的均值。如果你的模型 MAE 没有明显低于基线的 MAE,则其增加的价值很有限。
- 相对尺度的版本。 常见的一种是 \(\text{MAE} / \bar{y}\),即 MAE 除以实际值的均值,通常以百分比表示。只有当均值明显远离零时,它才有意义。
MAE 不是无量纲的。 你不能将以美元为单位的 MAE 与以度为单位的 MAE 相比较。如果不先进行归一化(例如除以均值,或除以朴素基线的 MAE),你也不能比较单位或量级不同的数据集之间的 MAE。
MAE 与 RMSE。 对于同一组误差,MAE 永远不大于 RMSE:
$$\text{MAE} \le \text{RMSE}$$
只有当每个误差的绝对大小都相同时,二者才相等。RMSE 与 MAE 之间的差距较大,说明少数几个较大的误差占主导;差距较小,则说明误差大致均匀。
稳健性。 MAE 对每个误差按线性方式加权:误差 10 的影响恰好是误差 5 的两倍。因此,与平方误差指标相比,它对异常值的敏感度较低,当偶发的极端值不应主导评分时,这一点很有用。如果较大的偏差代价尤其高,那么除了 MAE,可能还应关注 RMSE。
MAE 与 RMSE 与 MSE:示例数据上的比较
三个场景使用相同的实际值:10、20、30、40(n = 4)。只有预测值发生变化。场景 1 和场景 2 的绝对误差总和都是 8,因此它们的 MAE 相同。
| 场景 | 预测值 | 误差(y − ŷ) | MAE | MSE | RMSE |
|---|---|---|---|---|---|
| 1. 小而均匀的误差 | 12、18、32、38 | −2、2、−2、2 | (2+2+2+2)/4 = 2 | (4+4+4+4)/4 = 4 | √4 = 2 |
| 2. 一个较大的误差 | 10、20、30、32 | 0、0、0、8 | (0+0+0+8)/4 = 2 | (0+0+0+64)/4 = 16 | √16 = 4 |
| 3. 完美预测 | 10、20、30、40 | 0、0、0、0 | 0/4 = 0 | 0/4 = 0 | √0 = 0 |
表格说明:
- 场景 1 和场景 2 的 MAE 都等于 2,因为 MAE 只取决于绝对误差总和(8)除以 n(4)。
- 将同样的误差集中在一个点上,会使 MSE 从 4 升至 16,RMSE 从 2 升至 4,因为平方会严重惩罚这个误差为 8 的点:\(8^2 = 64\) 对比 \(4 \times 2^2 = 16\)。
- 在场景 1 中,RMSE 等于 MAE,因为所有误差的大小相同。在场景 2 中,RMSE 是 MAE 的两倍,这说明存在少数较大的误差。
- 在场景 3 中,三个指标都为 0,这是可能的最佳值。
常见问题
MAE 和 MSE 有什么区别?MAE 计算的是绝对误差的平均值,而均方误差(MSE)计算的是误差平方的平均值。MSE 会更重地惩罚较大的误差,而 MAE 则对所有误差一视同仁、按比例处理。
MAE 多大算好?数值越小越好,\(\text{MAE} = 0\) 表示预测完全准确。它没有统一的判断标准,需要结合数据本身的量级和常见取值范围来解读。
MAE 会是负数吗?不会。因为它取的是绝对差值(始终非负)的平均值,所以 MAE 永远大于等于零。