Wprowadzenie
Mean Absolute Error (MAE) mierzy średnią wielkość błędu predykcji w jednostkach zmiennej docelowej. Jest jedną z najpopularniejszych metryk w zadaniach regresji obok MSE i RMSE.
Matematyczna definicja
MAE = (1/n) × Σ |y_i - ŷ_i|
Porównanie MAE vs MSE
- MAE – traktuje wszystkie błędy liniowo, mniej wrażliwy na outliery
- MSE – karze duże błędy kwadratowo (silniej penalizuje outliery)
- MAE jest łatwiejszy do interpretacji (wynik w tych samych jednostkach co y)
Zalety MAE
- Intuicyjna interpretacja („średnio mylimy się o X jednostek”)
- Odporność na wartości odstające
- Robustniejsza niż MSE w realnych danych
Wady MAE
- Nie jest różniczkowalna w punkcie 0 (problemy z gradientem przy optymalizacji)
- Optymalizator musi używać subgradientów lub Huber Loss jako kompromisu
Kiedy wybrać MAE?
Gdy dane zawierają outliery lub gdy chcemy, aby wszystkie błędy były traktowane w sposób liniowy.