Mean Absolute Error (MAE)

En machine learning, la Mean Absolute Error (MAE) est une métrique de performance qui est d'autant plus grande que le modèle évalué fait des erreurs de prédiction importantes. La MAE est la moyenne des valeurs absolues des résidus, sur la base de test :

Où :

• yi est la valeur réelle de la variable y pour l'observation i

• ypred,i est la valeur prédite par le modèle pour l'observation i

• #T est le nombre d'observations dans la base de test

Interprétation de la MAE

La MAE, comme la MSE, permet de mesurer la précision du modèle, c’est-à-dire sa capacité à passer par un maximum de points de valeurs réelles. La définition de la MAE s’appuie sur le calcul des résidus (ou erreurs du modèle). C'est la métrique de performance dont la formule est la plus simple, donc la plus facile à comprendre.

Cependant, la MAE n'a pas une dérivée continue, et n'est ainsi pas facilement optimisable, ce qui rend plus difficile la tâche de création d'un algorithme minimisant la MAE. C'est pourquoi les algorithmes cherchent plus généralement à minimiser une autre métrique de performance, comme la MSE, dont la dérivée est continue.

De plus, la MAE ne fait qu’une moyenne des erreurs, sans accorder plus de poids aux erreurs plus grandes. Un modèle qui prédirait toujours la valeur moyenne de notre variable cible aurait une bonne MAE, ce qui en fait une métrique de performance qui ne se suffit pas à elle-même.

Syntaxe Python

Grâce à la bibliothèque Scikit-learn de Python, on peut calculer la MAE rapidement avec la syntaxe suivante :

Voir aussi : all(), any(), append(), count(), enumerate(), extend(), filter(), float() format() input(), int(), isdigit(), isinstance(), items(), join(), endswith(), list(), map(), max(), mean(), min(), pop(), range(), len(), startswith(), zip(), type(), get(), symmetric_difference(), keys(), difference()

Numpy : arange(), array(), delete(), hsplit(), hstack(), linspace(), logical_and(), logical_or(), polyfit()

Pandas : concat(), concatenate(), describe(), dict(), drop_duplicates(), dropna(), fillna(), from_dict(), groupby(), head(), iloc, info(), insert(), isin(), melt(), merge(), pivot_table(), read_csv(), read_excel(), rename(), where()

Machine Learning : F1-Score, Précision, Rappel, Normalisation, Courbe d’apprentissage, Les résidus, Régression VS classification, Mean Absolute Error (MAE), Mean Squared Error (MSE), Root Mean Squared Error (RMSE), Accuracy, L’astuce du noyau, Bases d’apprentissage et de test, Classes linéairement séparables, Apprentissage supervisé VS non-supervisé, Coefficient de détermination R2, Validation croisée

N'hésitez pas à consulter nos formations sur cette page.