Wprowadzenie
Mean Absolute Error (MAE), czyli błąd średni bezwzględny, to popularna metryka używana do oceny modeli regresyjnych. Oblicza ona średnią wartość bezwzględnych różnic między wartościami przewidywanymi przez model a wartościami rzeczywistymi.
Matematyczna definicja
MAE = (1/n) · ∑i=1n |yi − ŷi|
Gdzie:
- yi – rzeczywista wartość
- ŷi – wartość przewidywana przez model
- n – liczba obserwacji
Interpretacja
- MAE pokazuje średni błąd modelu w tej samej jednostce co zmienna docelowa (np. złote, stopnie Celsjusza, kilogramy)
- Im niższa wartość MAE, tym lepszy model
- MAE = 0 oznacza idealne dopasowanie
MAE vs MSE
- MAE – traktuje wszystkie błędy liniowo, jest mniej wrażliwa na wartości odstające (outliers)
- MSE – kwadratuje błędy, mocno penalizuje duże odchylenia
- RMSE – pierwiastek z MSE (również wrażliwy na outliery)
Zalety MAE
- Intuicyjna interpretacja („model myli się średnio o X jednostek”)
- Odporniejsza na wartości odstające niż MSE
- Łatwo zrozumiała dla osób biznesowych i nie-technicznych
Wady MAE
- Nie jest różniczkowalna w punkcie 0 (problematyczna jako funkcja straty w niektórych optymalizatorach)
- Mniej penalizuje duże błędy niż MSE (co czasem jest wadą)
- Brak gładkości matematycznej w porównaniu do MSE
Zastosowania
- Prognozowanie sprzedaży i cen
- Predykcja temperatury, zużycia energii, kursów walut
- Modele medyczne (np. przewidywanie wieku, ciśnienia krwi)
- Analiza szeregów czasowych
- Sytuacje, w których duże błędy nie powinny być nadmiernie karane
Aktualny status (2026)
Mean Absolute Error pozostaje jedną z najchętniej używanych metryk w praktyce biznesowej i uczeniu maszynowym. Często raportowana jest razem z MSE/RMSE i MAPE, aby dać pełny obraz jakości modelu. W erze dużych modeli językowych MAE jest również wykorzystywana do oceny regresji w zadaniach multimodalnych oraz fine-tuningu modeli na konkretne zadania numeryczne.