MAE (Mean Absolute Error)

MAE (Mean Absolute Error): Funzione di loss misurando differenza assoluta media tra valori predetti e reali. MAE = (1/n) Σ|ytrue - ypred|. Più robusto agli outlier rispetto a MSE. Penalità lineare per errori. Esempi di applicazione: Loss regressione robusta, Valutazione resistente outlier, Magnitudine errore.

In English: MAE (Mean Absolute Error)Legge IV · Loss, gradiente e ottimizzatoriConfronto: MSE e MAE: differenze e quando usare l'uno o l'altro

MAE = (1/n) * Σ|y_true - y_pred|. Più robusto agli outlier rispetto a MSE. Penalità lineare per errori.

Formula

MAE = (1/n) Σᵢ |yᵢ − ŷᵢ|

Esempio numerico

import numpy as np
y = np.array([2.0, 4.0, 6.0])
p = np.array([1.0, 5.0, 5.0])
print(np.mean(np.abs(y - p)))  # 1.0

Quando usarlo

È una metrica o loss di regressione leggibile nella stessa unità del target e più robusta agli outlier del MSE.

Limiti

Il gradiente è costante in valore assoluto e non è derivabile in zero; non enfatizza gli errori grandi.

Esempi

  • Loss regressione robusta
  • Valutazione resistente outlier
  • Magnitudine errore

Autovalutazione

Tre domande per verificare la comprensione della voce. Le spiegazioni restano disponibili anche senza JavaScript.

1. Che cos’è MAE (Mean Absolute Error)?
Spiegazione

MAE (Mean Absolute Error): Funzione di loss misurando differenza assoluta media tra valori predetti e reali. MAE = (1/n) Σ|ytrue - ypred|. Più robusto agli outlier rispetto a MSE. Penalità lineare per errori. Esempi di applicazione: Loss regressione robusta, Valutazione resistente outlier, Magnitudine errore.

2. Quale applicazione è coerente con MAE (Mean Absolute Error)?
Spiegazione

È una metrica o loss di regressione leggibile nella stessa unità del target e più robusta agli outlier del MSE.

3. Quale voce è collegata a MAE (Mean Absolute Error)?
Spiegazione

Le voci correlate sono scelte per collegamento tecnico, non per somiglianza casuale.