【平均绝对误差怎么求】在数据分析和机器学习中，评估模型的预测效果是十分重要的一个环节。其中，平均绝对误差（Mean Absolute Error, MAE） 是一种常用的评价指标，用于衡量预测值与真实值之间的平均差异。下面将详细说明如何计算MAE，并通过表格形式展示其计算过程。
一、什么是平均绝对误差？
平均绝对误差（MAE）是指所有样本的预测值与实际值之间绝对差值的平均值。它能够直观地反映模型的预测精度，数值越小，说明模型的预测结果越接近真实值。
公式如下：
$$
\text{MAE} = \frac{1}{n} \sum_{i=1}^{n}
$$
其中：
- $ y_i $：第i个样本的真实值
- $ \hat{y}_i $：第i个样本的预测值
- $ n $：样本总数
二、MAE的计算步骤
1. 获取真实值和预测值
首先需要知道每个样本的真实值和对应的预测值。
2. 计算每个样本的绝对误差
对于每一个样本，用真实值减去预测值，再取绝对值。
3. 求所有样本的绝对误差的平均值
将所有样本的绝对误差相加，然后除以样本数量。
三、MAE的计算示例
假设我们有以下5个样本的数据：
| 样本编号 | 真实值（$ y_i $） | 预测值（$ \hat{y}_i $） | 绝对误差（$ | y_i - \hat{y}_i | $） |
| 1 | 10 | 8 | 2 | ||
| 2 | 15 | 16 | 1 | ||
| 3 | 20 | 18 | 2 | ||
| 4 | 25 | 27 | 2 | ||
| 5 | 30 | 28 | 2 |
计算过程：
- 所有绝对误差之和 = 2 + 1 + 2 + 2 + 2 = 9
- 样本数 = 5
- MAE = 9 / 5 = 1.8
四、MAE的特点
| 特点 | 说明 |
| 易理解 | 结果单位与原始数据一致，便于解释 |
| 不敏感异常值 | 相比均方误差（MSE），MAE对异常值不那么敏感 |
| 适用场景 | 适用于对误差大小要求较高的场景，如金融、医疗等 |
五、总结
平均绝对误差（MAE）是一种简单而有效的模型评估指标，能够直观反映预测值与真实值之间的平均偏差。通过上述步骤和示例，可以清楚地看到如何计算MAE。在实际应用中，建议结合其他指标（如MSE、R²等）进行综合评估，以更全面地了解模型的表现。
附表：MAE计算流程图
| 步骤 | 内容 |
| 1 | 收集真实值和预测值数据 |
| 2 | 计算每个样本的绝对误差 |
| 3 | 求所有样本绝对误差的总和 |
| 4 | 用总和除以样本数量，得到MAE |
通过以上方法，你可以快速、准确地计算出模型的平均绝对误差。