Gemiddelde Absolute Fout (MAE)

De Gemiddelde Absolute Fout (MAE) is een belangrijke maatstaf in machine learning voor het evalueren van regressiemodellen. Het meet de gemiddelde foutgrootte zonder richting. MAE is robuust tegen uitschieters en eenvoudig te interpreteren in de eenheid van de doelvariabele, wat het nuttig maakt voor modelevaluatie.

De Gemiddelde Absolute Fout (MAE) is een fundamentele maatstaf in machine learning, vooral gebruikt bij het evalueren van regressiemodellen. Het meet de gemiddelde grootte van fouten in een reeks voorspellingen, zonder rekening te houden met de richting ervan. Deze maatstaf biedt een eenvoudige manier om de nauwkeurigheid van een model te kwantificeren door het gemiddelde te berekenen van de absolute verschillen tussen voorspelde waarden en werkelijke waarden. In tegenstelling tot sommige andere metrieke waarden kwadrateert MAE de fouten niet, wat betekent dat alle afwijkingen even zwaar wegen, ongeacht hun grootte. Dit kenmerk maakt MAE bijzonder nuttig wanneer je de grootte van voorspellingsfouten wilt beoordelen zonder verschillende gewichten toe te kennen aan overschattingen of onderschattingen.

Hoe wordt MAE berekend?

De formule voor MAE wordt als volgt uitgedrukt:

Waarbij:

• n het aantal observaties weergeeft.
• y_i de werkelijke waarde aanduidt.
• ŷ_i de voorspelde waarde betekent.

MAE wordt berekend door van elke voorspellingsfout de absolute waarde te nemen, deze absolute fouten op te tellen en vervolgens te delen door het aantal voorspellingen. Dit resulteert in een gemiddelde foutgrootte die eenvoudig te interpreteren en te communiceren is.

Belang van MAE bij AI-training

MAE is van groot belang bij AI-training vanwege de eenvoud en interpretatiegemak. De voordelen zijn onder meer:

• Robuustheid tegen uitschieters: In tegenstelling tot de Gemiddelde Kwadratische Fout (MSE), die de verschillen kwadrateert en daardoor gevoeliger is voor uitschieters, behandelt MAE alle fouten gelijk, waardoor het minder gevoelig is voor extreme waarden.
• Interpretatiegemak: MAE wordt uitgedrukt in dezelfde eenheid als de doelvariabele, wat het gemakkelijk te interpreteren maakt. Bijvoorbeeld, als een model huizenprijzen voorspelt in euro’s, wordt de MAE ook in euro’s weergegeven, wat een duidelijk inzicht geeft in de gemiddelde voorspellingsfout.
• Toepasbaarheid: MAE wordt op grote schaal gebruikt in diverse domeinen, waaronder financiën, techniek en meteorologie, om regressiemodellen effectief te evalueren.

Gebruikstoepassingen en Voorbeelden

1. Modelevaluatie:
   In praktijksituaties wordt MAE gebruikt om de prestaties van regressiemodellen te beoordelen. Bijvoorbeeld, bij het voorspellen van huizenprijzen wijst een MAE van €1.000 erop dat de voorspelde prijzen gemiddeld €1.000 afwijken van de werkelijke prijzen.

2. Vergelijking van modellen:
   MAE dient als een betrouwbare maatstaf om de prestaties van verschillende modellen te vergelijken. Een lagere MAE wijst op betere prestaties. Bijvoorbeeld, als een Support Vector Machine (SVM) model een MAE van 28,85 graden oplevert bij temperatuurvoorspellingen, terwijl een Random Forest model een MAE van 33,83 graden geeft, wordt het SVM-model als nauwkeuriger beschouwd.

3. Toepassing in de praktijk:
   MAE wordt ingezet in diverse toepassingen, zoals bestralingstherapie, waar het wordt gebruikt als verliesfunctie in deep learning modellen zoals DeepDoseNet voor 3D-dosisvoorspelling, waarbij het modellen die MSE gebruiken overtreft.

4. Milieumodellering:
   In milieumodellering wordt MAE gebruikt om onzekerheden in voorspellingen te beoordelen en biedt het een evenwichtige weergave van fouten in vergelijking met RMSE.

Vergelijking met andere metrieke waarden

• Gemiddelde Kwadratische Fout (MSE): In tegenstelling tot MAE kwadrateert MSE de verschillen, waardoor grotere fouten zwaarder worden bestraft. Dit maakt MSE gevoeliger voor uitschieters, nuttig wanneer grote fouten bijzonder ongewenst zijn.
• Wortel Gemiddelde Kwadratische Fout (RMSE): RMSE is de wortel van MSE en geeft fouten weer in dezelfde eenheid als de data. Het bestraft grote fouten meer dan MAE, wat het geschikt maakt voor toepassingen waarbij grote afwijkingen kritisch zijn.
• Gemiddelde Absolute Percentage Fout (MAPE): MAPE drukt fouten uit als percentage en biedt een relatieve maatstaf voor fouten. Het is vergelijkbaar met gewogen MAE-regressie en is handig om modelnauwkeurigheid in procenten te beoordelen.

Implementatievoorbeeld in Python

MAE kan worden berekend met behulp van de sklearn-bibliotheek in Python als volgt:

from sklearn.metrics import mean_absolute_error
import numpy as np

# Voorbeelddata
y_true = np.array([1, 2, 3, 4, 5])
y_pred = np.array([1.5, 2.5, 2.8, 4.2, 4.9])

# Bereken MAE
mae = mean_absolute_error(y_true, y_pred)
print("Gemiddelde Absolute Fout:", mae)

Wanneer gebruik je MAE?

MAE is ideaal wanneer:

• Het doel is om de absolute grootte van voorspellingsfouten te evalueren.
• De dataset uitschieters bevat die kwadratische foutmetrieke waarden zoals MSE kunnen vertekenen.
• Interpretatie in dezelfde eenheid als de doelvariabele gewenst is.

Beperkingen van MAE

Hoewel MAE veelzijdig en veelgebruikt is, heeft het ook beperkingen:

• Het geeft geen informatie over de richting van de fout (over- of onderschatting).
• Het behandelt alle fouten gelijk, wat mogelijk niet ideaal is in situaties waar grotere fouten zwaarder bestraft moeten worden.

Onderzoek naar Gemiddelde Absolute Fout bij AI-training

De Gemiddelde Absolute Fout (MAE) is een veelgebruikte maatstaf bij AI-training, met name bij het beoordelen van de nauwkeurigheid van voorspellende modellen. Hieronder een samenvatting van recent onderzoek waarin MAE een rol speelt:

1. Generatieve AI voor snelle en nauwkeurige statistische berekening van vloeistoffen
   Dit artikel introduceert een generatief AI-algoritme genaamd GenCFD, ontworpen voor snelle en nauwkeurige statistische berekeningen van turbulente vloeistofstromen. Het algoritme maakt gebruik van een conditioneel score-based diffusie model om hoogwaardige benaderingen te bereiken van statistische grootheden, waaronder het gemiddelde en de variantie. De studie benadrukt dat traditionele operator learning modellen, die vaak gemiddelde absolute fouten minimaliseren, de neiging hebben naar gemiddelde stromingsoplossingen te convergeren. De auteurs presenteren theoretische inzichten en numerieke experimenten die de superieure prestaties van het algoritme tonen bij het genereren van realistische vloeistofstroomsamples. Lees het artikel

2. AI-gestuurde dynamische foutdetectie en prestatiebeoordeling in fotovoltaïsche systemen
   Dit onderzoek richt zich op het verbeteren van foutdetectie in fotovoltaïsche systemen met behulp van AI, met name via machine learning-algoritmen. De studie benadrukt het belang van het nauwkeurig karakteriseren van energieverliezen en het detecteren van fouten om prestaties te optimaliseren. Er wordt melding gemaakt van de ontwikkeling van een computermodel dat een gemiddelde absolute fout van 6,0% behaalt bij de dagelijkse energie-inschatting, waarmee de effectiviteit van AI bij foutdetectie en systeemprestatiebeoordeling wordt aangetoond. Lees het artikel

3. Rekenkundig efficiënte, machine-learning gebaseerde online inschatting van batterijgezondheid
   Het artikel onderzoekt datagedreven methoden voor het inschatten van de toestand van gezondheid (SoH) van batterijen in e-mobiliteitstoepassingen. Er wordt besproken hoe machine learning-technieken de nauwkeurigheid van SoH-inschattingen kunnen verbeteren, wat traditioneel gebeurt met modelgebaseerde methoden. Het onderzoek benadrukt het potentieel om gemiddelde absolute fouten te verminderen in batterijbeheersystemen door middel van geavanceerde AI-algoritmen. Lees het artikel