Ответ
MAE (Mean Absolute Error) — это средняя абсолютная ошибка, которая вычисляется как среднее абсолютных разностей между предсказанными и истинными значениями.
Когда использовать MAE:
- При наличии выбросов в данных. Поскольку MAE не возводит ошибки в квадрат, она менее чувствительна к выбросам по сравнению с MSE.
- Когда важна интерпретируемость. MAE измеряется в тех же единицах, что и целевая переменная (например, доллары, метры), что делает её интуитивно понятной для бизнеса.
- Когда распределение ошибок не является нормальным. MAE минимизирует медиану ошибок, что делает её более робастной для распределений с тяжёлыми хвостами.
Пример расчёта и интерпретации:
from sklearn.metrics import mean_absolute_error
y_true = [100, 200, 300, 400]
y_pred = [110, 190, 320, 390] # Предсказания
mae = mean_absolute_error(y_true, y_pred)
print(f'MAE: {mae}') # MAE: 15.0
# Интерпретация: в среднем, модель ошибается на 15 единиц.Когда НЕ использовать MAE: Если большие ошибки критически важны и должны наказываться сильнее (например, в задачах безопасности), лучше использовать MSE или RMSE, так как они квадратично увеличивают штраф.
