【机器学习】平均绝对误差（MAE：Mean Absolute Error）

已于 2024-11-08 13:52:23 修改
阅读量8k 收藏 31
点赞数 12
分类专栏： 机器学习 人工智能 文章标签： 机器学习 人工智能 python
于 2024-11-08 13:13:44 首次发布
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/IT_ORACLE/article/details/143623931
版权

平均绝对误差 (Mean Absolute Error, MAE) 是一种衡量预测值与实际值之间平均差异的统计指标。它在机器学习、统计学等领域中广泛应用，用于评估模型的预测精度。与均方误差 (MSE) 或均方误差根 (RMSE) 不同，MAE 使用误差的绝对值，因此它在处理异常值时更加稳定。

1. MAE 的定义和公式

给定预测值 \hat{y}_i​ 和真实值 y_i，MAE 的公式为：

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

其中：

  • n 是样本总数。
  • \hat{y}_i 是模型的预测值。
  • y_i​ 是对应的真实值。

MAE 表示了预测值与真实值之间的平均绝对差异。由于取了绝对值，每个误差的正负号被忽略，保证了所有差异的非负性。

最低0.47元/天 解锁文章
图像处理之图像质量评价指标MAE(平均绝对误差)
qq_44111805的博客
11-07 1万+
1、注意每次运行主函数main.m文件，输出的MAE值都会有细微差别，可以对比上下两张图。2、仅以高斯噪声的参数为讨论，我们将主函数main.m文件椒盐噪声的方差改为0.001，可以与上方得到方差为0.1的MSE结果进行对比，可以看出得到的MAE要小很多，表示图像质量更好。3、本质上，方法三是方法一和方法二的结合体。
Python使用numpy包编写自定义函数计算平均绝对误差(MAE、Mean Absolute Error)、评估回归模型和时间序列模型、解读MAE
data+scenario+science+insight
04-02 3081
Python使用numpy包编写自定义函数计算平均绝对误差(MAE、Mean Absolute Error)、评估回归模型和时间序列模型、解读MAE
平均绝对误差 (Mean Absolute Error, MAE)
大连赵哥的博客
07-27 1698
平均绝对误差 (Mean Absolute Error, MAE)
深度解析回归模型评估指标：MAE、MSE、RMSE 与 R² 的详细讲解
cnzzs的博客
02-08 6688
下面是对 MAE、MSE、RMSE 和 R² 四个指标的详细解释、计算公式、特点以及应用场景的说明：1. MAE(平均绝对误差)定义： MAE(Mean Absolute Error)表示预测值与真实值之间绝对误差的平均值。公式：其中， 为真实值， 为预测值， 为样本数。特点：直观性： MAE 直接反映了预测误差的平均水平...
人工智能直通车系列24【机器学习基础】（机器学习模型评估指标（回归））
最新发布
TEUTEU的博客
03-17 698
人工智能直通车系列正在连载更新中，更新的内容包括Python 基础与数学基础、机器学习基础、深度学习基础、完整学习资料以及详细解释代码示例，关注我，持续学习。
评估指标中的RMSE,MAE,MAPE分别表示什么，取值范围一般多大，优缺点有哪些？
qlkaicx的博客
01-12 5万+
RMSE（Root Mean Square Error）：均方根误差。优点在于衡量预测值与真实值之间的偏差程度，数值越小表示模型的预测精度越高。此外，RMSE易于理解，计算方便，并且对异常值较为敏感。然而，RMSE的缺点在于对目标变量本身的变异性缺乏考虑，可能无法准确反映模型的性能。同时，RMSE对异常值的敏感性可能导致评价结果不够稳定。MAE（Mean Absolute Error）：平均绝对误差。优点在于计算每个样本的预测误差的绝对值的平均数，直观地表示模型预测值与真实值之间的差距大小。
【机器学习笔记】机器学习评价指标——MSE、RMSE、MAE、R2
weixin_63522758的博客
03-26 1万+
但通常模型不会这么完美，总会有误差存在，当误差很小的时候，分子小于分母，模型会趋近 1，仍然是好的模型，随着误差越来越大，R2-score 也会离最大值 1 越来越远，直到出现第 2 中情况。R2-score 反映的是大概有多准，因为，随着样本数量的增加，R2-score必然增加，无法真正定量说明准确程度，只能大概定量。它的含义就是，既然不同数据集的量纲不同，很难通过上面的三种方式去比较，那么不妨找一个第三者作为参照，根据参照计算 R方值，就可以比较模型的好坏了。这个参照是什么呢，就是均值模型。
sklearn【MAE】平均绝对误差，原理及代码学习！
高级数据分析师，分享Python知识
04-22 3747
平均绝对误差（Mean Absolute Error，MAE）是回归模型评估中常用的一个指标，用于衡量模型预测值与实际值之间的平均绝对偏差。MAE能够直观地反映预测值与实际值之间的差异，对于异常值或偏离较大的点不会给予过高的权重，因此在某些场景中可能比均方根误差（RMSE）更为适用。收集数据：首先，我们需要一组包含实际目标值（真实值）和模型预测值的数据集。这些数据通常来自测试集，用于评估模型在未见过的数据上的性能。计算绝对误差：对于数据集中的每一对实际值和预测值，我们计算它们之间的绝对差值。
平均绝对值误差
CSDNXXCQ的博客
03-20 4201
和均方误差不同，平均绝对值误差更加关注预测误差的实际大小，而不是误差平方的大小。在某些应用场景中，例如异常检测等，平均绝对值误差可能比均方误差更加合适。平均绝对值误差（Mean Absolute Error，MAE）是用来评估预测模型准确度的一个指标，它是预测值和真实值之间差的绝对值的平均数。我们希望得到所有样本误差绝对值的平均数，即平均绝对值误差。由于绝对值函数的导数不连续，无法直接使用求导等方法求得最小化MAE的预测值，因此，通常采用梯度下降等优化算法来求解。, yₙ，预测值分别为ŷ₁, ŷ₂, ……
MAE（Mean Absolute Error，平均绝对误差）和 MSE（Mean Squared Error，均方误差）
keyboard专栏
11-11 5635
MAE（，平均绝对误差）和 MSE（，均方误差）是常用的回归任务中用于评估模型性能的两种误差度量指标。
第六章 平均绝对误差（MAE）与均方根误差（RMSE）
qq_36171491的博客
03-06 3万+
本章主要介绍了平均绝对误差、均方根误差及其代码实现。
均方误差（MSE）、均方根误差（RMSE）、平均绝对误差（MAE）、决定系数（R²）解释
热门推荐
weixin_43155435的博客
06-13 5万+
均方误差（MSE）、均方根误差（RMSE）、平均绝对误差（MAE）、决定系数（R²）解释
平均絕對誤差MAPE
09-21
平均絕對誤差MAPE作為評估模型預測能力的準則有許多論訴述
【机器学习】均方误差（MSE：Mean Squared Error）
IT古董
11-05 4792
均方误差（Mean Squared Error, MSE）是衡量预测值与真实值之间差异的一种方法。在统计学和机器学习中，MSE 是一种常见的损失函数，用于评估模型的预测准确性。
平均绝对误差(MAE)：对异常值更稳健
AGI×大数据，开启智能时代的认知跃迁；解码AGI，赋能数据驱动的智能革命。
05-30 384
平均绝对误差(MAE)：对异常值更稳健 1. 背景介绍 1.1 评估指标的重要性 在机器学习和数据分析领域中,评估模型的性能和准确性是一个关键步骤。选择合适的评估指标对于正确衡量模型的预测能力至关重要。不同的指标适用于不同的场景和任务,
MATLAB基础应用精讲-【数模应用】平均绝对误差损失 Mean Absolute Error Loss（附python、R语言和MATLAB代码实现）
qq_36130719的博客
10-30 261
平均绝对误差是所有单个观测值与算术平均值的偏差的绝对值的平均。平均绝对误差可以避免误差相互抵消的问题，因而可以准确反映实际预测误差的大小。与 MSE 相比，MAE 对异常值或离群点的影响较小。这是因为它不对误差进行平方，因此较大的误差不会对总体损失产生过大的影响。MAE 直接反映了平均每个样本预测误差的绝对量，易于理解和解释。MAE 在误差为零的点不可微，这可能使得基于梯度的优化方法在找到最优解时遇到困难。
MAE论文详解
m0_64148253的博客
08-20 1604
MAE是Facebook团队在2021年11月发布的一篇论文，《Masked Autoencoders Are Scalable Vision Learners》，带掩膜的自编码器是可扩展的视觉学习器，MAE就是MaskedAutoEncoders的缩写，一作是何凯明大神。MAE通过在图片上进行掩码实现在CV领域进行大规模的自监督训练，并且仅通过在ImageNet-IK数据集上进行训练实现了最好的准确率，超过了当时的有监督训练方法。接下来对这篇论文进行详细介绍。
机器学习中回归预测模型中常用四个评价指标MBE、MAE、RMSE、R2解释
qq_55433305的博客
12-28 4002
综上所述，MBE、MAE、RMSE和R2是机器学习中常用的四个评级指标，它们各有优缺点，适用于不同的应用场景。在实际应用中，需要根据具体需求选择合适的指标来评估模型的性能。
MSE、MAE、RMSE、MAPE、MARE、SMAPE、ACC、TOP k
weixin_44012667的博客
07-16 2546
在数据科学和机器学习中，评估模型的性能通常需要使用各种指标。这些指标可以帮助我们理解模型的预测能力和误差大小。
机器学习中平均绝对误差mae的解释说明，并且说明优点
05-05
平均绝对误差（Mean Absolute Error，MAE）是机器学习中常用的回归评估指标之一，用于衡量预测值与真实值之间的平均绝对误差大小。具体来说，MAE是预测值与真实值的差的绝对值的平均值。 MAE的优点是它对异常值不敏感，因为它只考虑了误差的绝对值，而不是误差的平方。这意味着在存在异常值的情况下，MAE可以更好地反映模型的实际性能。此外，MAE的计算简单易懂，易于解释和比较，因此在实际应用中得到广泛的使用。
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值