Средняя абсолютная ошибка вычисляет среднюю разницу между вычисленными значениями и фактическими значениями. Он также известен как точность, зависящая от масштаба, поскольку он вычисляет ошибку в наблюдениях, сделанных в том же масштабе. Он используется в качестве оценочных показателей для регрессионных моделей в машинном обучении. Он вычисляет ошибки между фактическими значениями и значениями, предсказанными моделью. Он используется для прогнозирования точности модели машинного обучения.
Формула:
Средняя абсолютная ошибка = (1 / n) * ∑| yi – xi|
где,
Σ: греческий символ для суммирования
yi: фактическое значение для i-го наблюдения
xi: вычисленное значение для i-го наблюдения
n: общее количество наблюдений
Метод 1: использование фактических формул
Средняя абсолютная ошибка (MAE) вычисляется путем суммирования абсолютной разницы между фактическими и расчетными значениями каждого наблюдения по всему массиву, а затем деления полученной суммы на количество наблюдений в массиве.
Метод 2: использование sklearn
модуль sklearn.metrics в python содержит функции для вычисления ошибок для разных целей. Он предоставляет метод с именем mean_absolute_error() для вычисления средней абсолютной ошибки заданных массивов.
Синтаксис:
значение абсолютной ошибки (фактическое, вычисленное)
где
фактический – массив фактических значений в качестве первого аргумента
вычисляемый – массив прогнозируемых / вычисляемых значений в качестве второго аргумента
Он вернет среднюю абсолютную ошибку заданных массивов.
Sklearn.metrics.mean_absolute_error в Python
Во-первых, давайте начнем с определения MAE и почему и где мы его используем. MAE используется для нахождения разницы между двумя парными наборами наблюдений, взятыми на рассмотрение. Мы используем MAE, чтобы выяснить, насколько набор наблюдений отличается от другого парного набора наблюдений. Итак, в этой статье мы собираемся использовать MAE для измерения ошибок между нашими прогнозируемыми и наблюдаемыми значениями меток. Для этого мы собираемся использовать sklearn.metrics.mean_absolute_error в Python.
Математически мы формулируем MAE как:
MAE = сумма (yi – xi)/n; n = количество экземпляров каждого набора наблюдений
Другими словами, MAE – это среднее арифметическое абсолютных ошибок между двумя наборами наблюдений
Предположим, что в вашей задаче линейной регрессии вы вычисляете прогнозируемый “y_pred” путем подгонки вашего набора данных к модели линейной регрессии. Тогда было бы лучше, если бы у вас было средство измерения производительности вашей модели. Давайте используем MAE для проверки ошибок между двумя наборами наблюдений.
Для этого нам требуется библиотека scikit-learn, установленная в нашей системе. Используйте следующую команду в вашем терминале или командной строке, чтобы установить scikit learn.
pip установить scikit-узнать
Затем в вашем файле Python выполните эту строку, чтобы проверить, правильно ли он установлен.
из sklearn.metrics импортировать mean_absolute_error
Для примера давайте рассмотрим две итерации в качестве нашей тестовой метки и прогнозируемой метки, то есть y_test и y_pred соответственно. Здесь мы получаем y_test, разбивая набор данных на тестовый и обучающий наборы. Мы получаем y_pred из нашей модели линейной регрессии.
y_true = [3, -0.5, 2, 7]
y_pred = [2.5, 0.0, 2, 8]
Мы используем импортированную функцию mean_absolute_error для поиска MAE.
MAE = mean_absolute_error(y_true, y_pred)
печать(MAE)
