Gjennomsnittlig absolutt feil (MAE)

Gjennomsnittlig absolutt feil (MAE) er en sentral metrikk i maskinlæring for evaluering av regresjonsmodeller, og måler gjennomsnittlig feilstørrelse uten retning. Den er robust mot uteliggere og lett å tolke i målvariabelens enhet, noe som gjør den nyttig for modellevaluering.

Gjennomsnittlig absolutt feil (MAE) er en grunnleggende metrikk i maskinlæring, spesielt brukt ved evaluering av regresjonsmodeller. Den måler den gjennomsnittlige størrelsen på feil i et sett med prediksjoner, uten å ta hensyn til retningen. Denne metrikken gir en enkel måte å kvantifisere nøyaktigheten til en modell ved å beregne gjennomsnittet av de absolutte forskjellene mellom predikerte og faktiske verdier. I motsetning til noen andre metrikker opphøyer ikke MAE feilene i andre, noe som betyr at alle avvik tillegges lik vekt uansett størrelse. Denne egenskapen gjør MAE spesielt nyttig når man skal vurdere størrelsen på prediksjonsfeil uten å tildele ulik vekt til over- eller underestimeringer.

Hvordan beregnes MAE?

Formelen for MAE uttrykkes som:

Hvor:

• n representerer antall observasjoner.
• y_i betegner den faktiske verdien.
• ŷ_i angir den predikerte verdien.

MAE beregnes ved å ta den absolutte verdien av hver prediksjonsfeil, summere disse absolutte feilene, og deretter dele på antall prediksjoner. Dette gir en gjennomsnittlig feilstørrelse som er lett å tolke og formidle.

Viktigheten av MAE i AI-trening

MAE har stor betydning i AI-trening på grunn av sin enkelhet og tolkbarhet. Fordelene inkluderer:

• Robusthet mot uteliggere: I motsetning til gjennomsnittlig kvadrert feil (MSE), som opphøyer differansene i andre og dermed er mer følsom for uteliggere, behandler MAE alle feil likt, noe som gjør den mindre følsom for ekstreme verdier.
• Tolkbarhet: MAE uttrykkes i samme enhet som målvariabelen, noe som gjør den lett å tolke. For eksempel, hvis en modell predikerer boligpriser i kroner, vil MAE også være i kroner og gi en klar forståelse av gjennomsnittlig prediksjonsfeil.
• Anvendelighet: MAE brukes mye på tvers av ulike domener, inkludert finans, ingeniørfag og meteorologi, for effektiv evaluering av regresjonsmodeller.

Bruksområder og eksempler

1. Modellevaluering:
   I praktiske scenarier brukes MAE til å evaluere ytelsen til regresjonsmodeller. For eksempel, ved prediksjon av boligpriser, indikerer en MAE på 1 000 kroner at de predikerte prisene i gjennomsnitt avviker med 1 000 kroner fra de faktiske prisene.

2. Sammenligning av modeller:
   MAE fungerer som en pålitelig metrikk for å sammenligne ytelsen til ulike modeller. En lavere MAE antyder bedre modellprestasjon. Hvis for eksempel en Support Vector Machine (SVM)-modell gir en MAE på 28,85 grader i temperaturprediksjon, mens en Random Forest-modell gir en MAE på 33,83 grader, anses SVM-modellen som mer nøyaktig.

3. Virkelige applikasjoner:
   MAE brukes i ulike applikasjoner som stråleterapi, der den benyttes som tapsfunksjon i dyp læringsmodeller som DeepDoseNet for 3D doseprediksjon, og overgår modeller som bruker MSE.

4. Miljømodellering:
   I miljømodellering brukes MAE til å vurdere usikkerhet i prediksjoner, og gir en balansert fremstilling av feil sammenlignet med RMSE.

Klar til å vokse bedriften din?

Start din gratis prøveperiode i dag og se resultater i løpet av få dager.

Be om demo Logg inn

Sammenligning med andre metrikker

• Gjennomsnittlig kvadrert feil (MSE): I motsetning til MAE opphøyer MSE differansene i andre, og straffer dermed større feil hardere. Dette gjør MSE mer følsom for uteliggere, og nyttig når store feil er spesielt uønsket.
• Rot av gjennomsnittlig kvadrert feil (RMSE): RMSE er kvadratroten av MSE, og gir feil i samme enhet som dataene. Den straffer store feil hardere enn MAE, og passer når store avvik er kritiske.
• Gjennomsnittlig absolutt prosentvis feil (MAPE): MAPE uttrykker feil som prosent, og gir et relativt mål på feilen. Den tilsvarer vektet MAE-regresjon og er nyttig for å vurdere modellnøyaktighet i prosent.

Implementeringseksempel i Python

MAE kan beregnes med Python’s sklearn-bibliotek slik:

from sklearn.metrics import mean_absolute_error
import numpy as np

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

# Beregn MAE
mae = mean_absolute_error(y_true, y_pred)
print("Gjennomsnittlig absolutt feil:", mae)

Bli med i vårt nyhetsbrev

Få de siste tipsene, trendene og tilbudene gratis.

E-postadresse

Abonner

Når bør MAE brukes?

MAE er ideell når:

• Målet er å evaluere den absolutte størrelsen på prediksjonsfeil.
• Datasettet inneholder uteliggere som kan påvirke kvadrerte feilmetrikker som MSE.
• Tolking i samme enhet som målvariabelen er ønskelig.

Begrensninger med MAE

Selv om MAE er allsidig og mye brukt, har den noen begrensninger:

• Den gir ikke informasjon om retningen på feilen (over- eller underprediksjon).
• Den behandler alle feil likt, noe som kanskje ikke er ideelt i situasjoner der større feil bør straffes hardere.

Forskning på gjennomsnittlig absolutt feil i AI-trening

Gjennomsnittlig absolutt feil (MAE) er en mye brukt metrikk i AI-trening, spesielt for å evaluere nøyaktigheten til prediktive modeller. Nedenfor er et sammendrag av nyere forskning som involverer MAE:

1. Generativ AI for rask og nøyaktig statistisk beregning av væsker
   Denne artikkelen introduserer en generativ AI-algoritme kalt GenCFD, utviklet for rask og nøyaktig statistisk beregning av turbulente væskestrømmer. Algoritmen benytter en betinget score-basert diffusjonsmodell for å oppnå høykvalitets tilnærminger av statistiske størrelser, inkludert gjennomsnitt og varians. Studien fremhever at tradisjonelle operator-læringsmodeller, som ofte minimerer gjennomsnittlig absolutt feil, har en tendens til å regresere mot gjennomsnittsstrømningsløsninger. Forfatterne presenterer teoretiske innsikter og numeriske eksperimenter som viser algoritmens overlegne ytelse i å generere realistiske væskestrømsprøver. Les artikkelen

2. AI-drevet dynamisk feiloppdagelse og ytelsesvurdering i solenergianlegg
   Denne forskningen fokuserer på å forbedre feiloppdagelse i solcelleanlegg ved hjelp av AI, spesielt gjennom maskinlæringsalgoritmer. Studien understreker viktigheten av nøyaktig karakterisering av effekttap og deteksjon av feil for å optimalisere ytelsen. Den rapporterer utviklingen av en beregningsmodell som oppnår en gjennomsnittlig absolutt feil på 6,0 % i daglig energiberegning, og demonstrerer effektiviteten av AI for feiloppdagelse og ytelsesvurdering av systemer. Les artikkelen

3. Beregningseffektiv maskinlæringsbasert online batteritilstandsestimering
   Artikkelen utforsker datadrevne metoder for å estimere helsetilstanden (SoH) til batterier i e-mobilitetsapplikasjoner. Den diskuterer bruk av maskinlæringsteknikker for å forbedre nøyaktigheten av SoH-estimering, som tradisjonelt utføres med modellbaserte metoder. Forskningen fremhever potensialet for å redusere gjennomsnittlig absolutt feil i batteristyringssystemer gjennom avanserte AI-algoritmer. Les artikkelen