Mittlerer absoluter Fehler

Mittlerer absoluter Fehler (MAE)

Durchschnitt Absoluter Fehler (MAE) is a statistical measure used to assess the accuracy of a model’s predictions. It quantifies the average absolute difference between the actual values and the values predicted by the model. Unlike some other error metrics, MAE treats all errors equally, regardless of their direction (i.e., whether predictions are above or below the actual values).

Um MAE zu berechnen, folgen Sie diesen Schritten:

1. Subtrahieren Sie den vorhergesagten Wert vom tatsächlichen Wert für jede Beobachtung, um den Fehler zu ermitteln.
2. Nehmen Sie den absoluten Wert jedes Fehlers, um negative Differenzen zu vermeiden.
3. Summieren Sie alle absoluten Fehler.
4. Teilen Sie die Summe durch die Anzahl der Beobachtungen.

Die Formel für MAE kann mathematisch ausgedrückt werden als:

MAE = (1/n) * Σ |Actual_i – Predicted_i|

where n is the number of observations, Tatsächlich_i is the actual value, and Vorgeschlagen_i ist der vorhergesagte Wert.

MAE ist eine weit verbreitete Kennzahl in Bereichen wie maschinellem Lernen and forecasting because it is easy to understand and interpret. A lower MAE value indicates a better fit of the model to the data, meaning the predictions are closer to the actual values. However, it is important to note that MAE does not provide information about the direction of errors (whether predictions are overestimates or underestimates), which may be relevant in certain applications.