Erreur Absolue Moyenne

Erreur Absolue Moyenne (MAE)

Moyenne Erreur absolue (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).

Pour calculer la MAE, suivez ces étapes :

1. Soustrayez la valeur prédite de la valeur réelle pour chaque observation afin de trouver l'erreur.
2. Prenez la valeur absolue de chaque erreur pour éviter les différences négatives.
3. Faites la somme de toutes les erreurs absolues.
4. Divisez le total par le nombre d'observations.

La formule de la MAE peut s'exprimer mathématiquement comme suit :

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

where n is the number of observations, Réel_i is the actual value, and Prévu_i est la valeur prédite.

La MAE est une métrique largement utilisée dans des domaines tels que apprentissage automatique 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.