AITerms 登入
機器學習模型評估統計方法

平均絕對誤差(Mean Absolute Error)是什麼?

平均絕對誤差(MAE)是衡量預測值與實際值之間平均絕對差異的指標,數值越小代表模型預測越準確。

完整定義

平均絕對誤差(Mean Absolute Error,MAE)是一種常用的迴歸模型評估指標,它計算的是預測值與實際值之間差異的絕對值的平均數。MAE可以直觀地反映預測誤差的大小,數值越小表示模型的預測精度越高。MAE對所有誤差都給予相同的權重,因此不易受到極端值的影響。

白話說明

你在看預測成績單時,會不會想知道模型平均差了多少分?

你可以把平均絕對誤差想成,把每一次預測差距直接取絕對值,再算平均。

它重要在於,數字好懂、對離群值沒那麼敏感,很適合拿來看回歸模型的日常誤差。

記住這句

平均差多少就報多少,不把大錯額外放大。

比喻:MAE 就像一個老師在批改考卷 -- 他只看你每題錯了幾分,然後把所有題目的錯誤分數加起來取平均,不在乎你是錯太多還是錯太少,只看「絕對」的差距。

容易混淆

平均絕對誤差 vs 均方誤差

平均絕對誤差:每個誤差一視同仁,不把大錯特別放大。

均方誤差:把誤差平方後再平均,大錯會被懲罰得更重。

最關鍵的區別:前者偏穩健,後者偏嚴厲。

平均絕對誤差 vs 均方根誤差

平均絕對誤差:直接看平均偏差。

均方根誤差:先平方再開根號,會更在意大誤差。

最關鍵的區別:根號後的數值更偏向放大大錯。

實際案例

房價預測

如果模型預測每戶房價平均差 50 萬,MAE 就是 50 萬,讀起來很直觀,適合拿來跟業務溝通。

送貨時間預估

外送平台想知道平均晚到幾分鐘,MAE 很適合直接呈現平均偏差,而不是讓一兩筆超大延遲把結果拉歪。

演算法與應用

MAE 的核心是絕對值,所以它對極端大誤差比較不敏感。

最佳化時通常比 MSE 更不平滑,某些情況下梯度會比較不好處理。

如果你更在意「平均差幾單位」,MAE 很合適。

公式與計算

MAE 是誤差絕對值的平均:

MAE = (1/n) × Σ |y_i − ŷ_i|

取絕對值而不是平方,所以每一筆誤差的權重都一樣。

用跟 MSE 相同的四筆資料算一次,好直接比較:

MAE = (2 + 2 + 3 + 5) / 4 = 3.0

MSE = (4 + 4 + 9 + 25) / 4 = 10.5,RMSE ≈ 3.24

同一組資料,MAE 3.0、RMSE 3.24。兩者越接近,代表誤差分布越平均;差距越大,代表有少數幾筆錯得特別離譜。這個差距本身就是有用的診斷資訊。

真實值
10
預測值
12
誤差
−2
絕對值
2
平方
4
真實值
20
預測值
18
誤差
2
絕對值
2
平方
4
真實值
30
預測值
33
誤差
−3
絕對值
3
平方
9
真實值
40
預測值
35
誤差
5
絕對值
5
平方
25

什麼時候該選 MAE

資料本來就有離群值,而且那些離群值是真實的、不是錯誤。 例如預測店家營業額,有幾天剛好碰到活動爆量。用 MSE 會讓模型為了那幾天大幅調整,犧牲平常日的準度;MAE 不會。

你要對外報告一個好懂的數字。 MAE 就是「平均差多少」,字面意思即可解釋,不需要開根號也不需要解釋平方的效果。

不該選 MAE 的情況:大誤差的代價確實比較高。 預測手術用藥劑量、電網負載、交貨時間這類場合,錯 10 個單位的傷害遠大於錯 1 個單位的十倍,這時該用 MSE 或 RMSE 讓模型優先壓低大錯。

技術上還有一點:MAE 在誤差為 0 的地方不可微,某些最佳化方法處理起來比 MSE 麻煩。這是 MSE 長年當預設損失函數的原因之一。

情境判斷

Q1(情境題): 模型偶爾會出現很離譜的預測值,你還想用 MAE 評估嗎?

可以,MAE 對離群值比 MSE 穩健,常常更適合有少數極端值的任務。

Q2(情境題): 如果你很怕大誤差,MAE 還是最佳選擇嗎?

看情況。若大錯的代價特別高,MSE 或 RMSE 通常更能逼模型重視那些大偏差。

常見問題

相關術語

本頁內容有提到,或屬於同一組主題的術語

來源

參考來源:en.wikipedia.org

其他格式:Markdown 版本