MAE

MAE, или средняя абсолютная ошибка, — это простая и популярная метрика качества в машинном обучении. Она показывает, насколько сильно предсказания модели в среднем отличаются от реальных значений. Её используют в задачах регрессии, где нужно предсказать число, а не категорию.

Почему это важно? Любая модель ошибается, и нужно понимать, насколько серьёзны эти ошибки. MAE даёт ответ в тех же единицах, что и предсказываемая величина: если мы прогнозируем цену квартиры в рублях, MAE тоже будет в рублях. Это делает метрику понятной даже неспециалисту. Кроме того, MAE устойчива к выбросам — единичным экстремальным значениям, которые могут сильно исказить картину при использовании среднеквадратичной ошибки.

Как это работает? Для каждого примера из тестового набора модель выдаёт прогноз, а у нас есть фактическое значение. Нужно вычислить абсолютную разницу: просто вычесть одно из другого и взять модуль, то есть отбросить знак. Если предсказано 10, а реально 8, ошибка равна 2; если предсказано 8, а реально 10, ошибка тоже 2. Затем все эти абсолютные ошибки складывают и делят на число примеров. Получается среднее «расстояние» от предсказания до истины. Чем меньше MAE, тем точнее модель.

Прикладной пример: в сервисе доставки используют модель для прогноза времени прибытия курьера. Если MAE равна 3 минуты, это значит, что в среднем предсказание ошибается на три минуты. Одна поездка может занять на минуту меньше, другая — на пять больше, но в целом отклонение около трёх минут. Такая информация позволяет честно обещать клиенту время и планировать логистику.

Итог: MAE — понятный показатель точности, который легко объяснить и интерпретировать. Он не заменяет другие метрики, но является отличной отправной точкой для оценки любой регрессионной модели.