如何在Python中计算平均绝对误差？

平均绝对误差是一种用来衡量预测值与实际值之间误差的方法。在统计学和机器学习中广泛使用。

计算平均绝对误差的公式如下：

$MAE = \frac{1}{n} \sum_{i=1}^{n} |y_i - \hat{y_i}|$

其中，$n$ 是数据集中样本数，$y_i$ 是真实值，$\hat{y_i}$ 是预测值，$| \cdot |$ 表示绝对值。

下面介绍如何在Python中计算平均绝对误差。

方法一：使用numpy库

numpy是一个用于数值计算的Python库，其中包含了很多数学函数和统计函数。

使用numpy计算平均绝对误差的步骤如下：

1. 导入numpy库

import numpy as np

2. 定义真实值和预测值

y_true = np.array([1, 2, 3, 4, 5])
y_pred = np.array([1.2, 2.2, 2.8, 4.3, 4.9])

3. 计算平均绝对误差

mae = np.mean(np.abs(y_true - y_pred))

完整代码如下：

import numpy as np

y_true = np.array([1, 2, 3, 4, 5])
y_pred = np.array([1.2, 2.2, 2.8, 4.3, 4.9])
mae = np.mean(np.abs(y_true - y_pred))
print(mae)

输出结果为：

0.46

方法二：使用sklearn库

sklearn是一个用于机器学习的Python库，其中包含了很多常用的机器学习算法和函数。

使用sklearn计算平均绝对误差的步骤如下：

1. 导入sklearn库

from sklearn.metrics import mean_absolute_error

2. 定义真实值和预测值

y_true = [1, 2, 3, 4, 5]
y_pred = [1.2, 2.2, 2.8, 4.3, 4.9]

3. 计算平均绝对误差

mae = mean_absolute_error(y_true, y_pred)

完整代码如下：

from sklearn.metrics import mean_absolute_error

y_true = [1, 2, 3, 4, 5]
y_pred = [1.2, 2.2, 2.8, 4.3, 4.9]
mae = mean_absolute_error(y_true, y_pred)
print(mae)

输出结果为：

0.46

总结

本文介绍了两种计算平均绝对误差的方法，分别是使用numpy库和sklearn库。其中，sklearn库提供了更多的方便函数，适用于大多数机器学习模型评估。