Der Mean Absolute Error (MAE) ist eine statistische Kennzahl, die häufig im Bereich des maschinellen Lernens und der Vorhersagemodelle verwendet wird, um die durchschnittliche Abweichung zwischen den tatsächlichen Werten und den vorhergesagten Werten zu messen. Der MAE ist eine einfache und intuitive Metrik, die hilft, die Genauigkeit eines Modells zu bewerten.
Der MAE wird berechnet, indem man die absoluten Differenzen zwischen den tatsächlichen Werten (y) und den vorhergesagten Werten (ŷ) ermittelt und diese dann mittelt. Die Formel für den MAE lautet:
[ text{MAE} = frac{1}{n} sum{i=1}^{n} |yi – hat{y}_i| ]
wobei ( n ) die Anzahl der Beobachtungen ist.
Der MAE hat mehrere Vorteile. Er ist einfach zu verstehen, da er die gleichen Einheiten wie die Zielvariable verwendet. Dies macht ihn besonders nützlich für die Interpretation von Ergebnissen in realen Anwendungen, wie z.B. bei der Prognose von Umsätzen oder der Nachfrage. Darüber hinaus ist der MAE unempfindlich gegenüber Ausreißern im Gegensatz zu anderen Metriken wie dem Mean Squared Error (MSE), da er die absolute Abweichung und nicht die quadrierte Abweichung berücksichtigt.
Ein Nachteil des MAE ist jedoch, dass er nicht differenzierbar ist, was bei der Optimierung von Modellen problematisch sein kann. Dennoch wird der MAE aufgrund seiner Einfachheit und Verständlichkeit häufig in der Praxis eingesetzt, insbesondere in regressionsbasierten Anwendungen.