En estadística, el error absoluto medio (MAE) es una forma de medir la precisión de un modelo dado. Se calcula como:
MAE = (1 / n) * Σ | y yo – x yo |
dónde:
- Σ: un símbolo griego que significa «suma»
- y i : el valor observado para la i- ésima observación
- x i : el valor predicho para la i- ésima observación
- n: el número total de observaciones
Podemos calcular fácilmente el error absoluto medio en Python usando la función mean_absolute_error () de Scikit-learn.
Este tutorial proporciona un ejemplo de cómo utilizar esta función en la práctica.
Ejemplo: cálculo del error absoluto medio en Python
Supongamos que tenemos las siguientes matrices de valores reales y valores predichos en Python:
actual = [12, 13, 14, 15, 15, 22, 27] pred = [11, 13, 14, 14, 15, 16, 18]
El siguiente código muestra cómo calcular el error absoluto medio para este modelo:
de sklearn. las métricas importan mean_absolute_error como mae #calcular MAE mae (actual, pred) 2.4285714285714284
El error absoluto medio (MAE) resulta ser 2,42857 .
Esto nos dice que la diferencia promedio entre el valor real de los datos y el valor predicho por el modelo es 2.42857.
Podemos comparar este MAE con el MAE obtenido por otros modelos de pronóstico para ver qué modelos funcionan mejor.
Cuanto menor sea el MAE para un modelo dado, más de cerca será capaz el modelo de predecir los valores reales.
Nota: La matriz de valores reales y la matriz de valores predichos deben tener la misma longitud para que esta función funcione correctamente.
Recursos adicionales
Cómo calcular MAPE en Python
Cómo calcular SMAPE en Python
Cómo calcular MSE en Python
- https://r-project.org
- https://www.python.org/
- https://www.stata.com/
