如何在Python中计算平均绝对误差?
平均绝对误差计算计算值和实际值之间的平均差。它也被称为尺度相关精度,因为它计算在相同尺度上进行的观察中的误差。它被用作机器学习中回归模型的评估指标。它计算实际值与模型预测值之间的误差。它用于预测机器学习模型的准确性。
公式:
Mean Absolute Error = (1/n) * ∑|yi – xi|
where,
- Σ: Greek symbol for summation
- yi: Actual value for the ith observation
- xi: Calculated value for the ith observation
- n: Total number of observations
方法 1:使用实际公式
平均绝对误差 (MAE) 的计算方法是将整个数组中每个观测值的实际值和计算值之间的绝对差值求和,然后将得到的总和除以数组中的观测值数。
示例:
Python3
# Python program for calculating Mean Absolute Error
# consider a list of integers for actual
actual = [2, 3, 5, 5, 9]
# consider a list of integers for actual
calculated = [3, 3, 8, 7, 6]
n = 5
sum = 0
# for loop for iteration
for i in range(n):
sum += abs(actual[i] - calculated[i])
error = sum/n
# display
print("Mean absolute error : " + str(error))
Python3
# Python program for calculating Mean Absolute
# Error using sklearn
# import the module
from sklearn.metrics import mean_absolute_error as mae
# list of integers of actual and calculated
actual = [2, 3, 5, 5, 9]
calculated = [3, 3, 8, 7, 6]
# calculate MAE
error = mae(actual, calculated)
# display
print("Mean absolute error : " + str(error))
输出
Mean absolute error : 1.8
方法二:使用sklearn
Python的 sklearn.metrics 模块包含用于计算不同目的的错误的函数。它提供了一个名为 mean_absolute_error() 的方法来计算给定数组的平均绝对误差。
语法:
mean_absolute_error(actual,calculated)
在哪里
- actual- 实际值数组作为第一个参数
- 计算 - 作为第二个参数的预测/计算值数组
它将返回给定数组的平均绝对误差。
示例:
Python3
# Python program for calculating Mean Absolute
# Error using sklearn
# import the module
from sklearn.metrics import mean_absolute_error as mae
# list of integers of actual and calculated
actual = [2, 3, 5, 5, 9]
calculated = [3, 3, 8, 7, 6]
# calculate MAE
error = mae(actual, calculated)
# display
print("Mean absolute error : " + str(error))
输出
Mean absolute error : 1.8