Какие плюсы и минусы MAE?

Mean Absolute Error (MAE): Плюсы и минусы

Определение

MAE (Mean Absolute Error) — средняя абсолютная ошибка, метрика регрессии, которая вычисляет среднее значение абсолютных отклонений:

MAE = (1/n) * Σ|y_true - y_pred|

Плюсы MAE

1. Интерпретируемость

   • В одних единицах с целевой переменной
   • "В среднем модель ошибается на 5.2 кг" понятнее, чем RMSE
   • Не требует объяснения для бизнеса

2. Робастность к выбросам

   • Использует абсолютное значение, а не квадрат
   • Выброс влияет линейно, а не экспоненциально
   • MAE не как RMSE, который штрафует большие ошибки

3. Математическая простота

   • Легко вычисляется
   • Производная простая: просто ±1
   • Понятная геометрическая интерпретация (манхэттенское расстояние)

4. Справедливая оценка

   • Каждая ошибка вносит одинаковый вклад
   • Нет переоценки больших отклонений

5. Подходит для бизнеса

   • Если потери линейны (штраф за 2 ошибки = 2× штраф за 1)
   • Полезна при равномерных убытках от ошибок

Минусы MAE

1. Не дифференцируемость в нуле

   • Функция |x| не имеет производной при x=0
   • Проблема при градиентном спуске
   • Требует специальной обработки оптимизаторами

2. Недостаточно штрафует большие ошибки

   • Если есть несколько критически больших ошибок
   • Модель может их не замечать
   • RMSE в таких случаях лучше

3. Плохая сходимость

   • Граничное поведение градиента
   • Может быть медленнее обучение
   • Особенно в начале обучения

4. Не очень чувствительна к структуре ошибок

   • Распределение ошибок: 5 ошибок по 1 = 1 ошибка на 5
   • Не различает систематические и случайные ошибки

5. Статистический анализ сложнее

   • Доверительные интервалы сложнее вычислять
   • Меньше теоретического обоснования
   • Чем RMSE из нормального распределения

Сравнение с RMSE

from sklearn.metrics import mean_absolute_error, mean_squared_error
import numpy as np

y_true = [100, 101, 102, 103, 104]
y_pred = [100, 101, 102, 103, 150]  # одна большая ошибка

mae = mean_absolute_error(y_true, y_pred)
rmse = np.sqrt(mean_squared_error(y_true, y_pred))

print(f"MAE: {mae:.2f}")   # 9.2 — почти как остальные
print(f"RMSE: {rmse:.2f}")  # 20.2 — сильно штрафит выброс

Когда использовать MAE?

• Финтех: комиссии, потери линейны
• Логистика: время доставки
• Рекомендации: рейтинги
• Данные с выбросами: но нужна робастность

Когда RMSE лучше?

• Аномальные события критичны
• Статистический анализ важен
• Нормальное распределение ошибок
• Модель штрафует большие ошибки

Вывод

MAE — выбор, когда:

• Ошибки одинаково критичны
• Нужна интерпретируемость
• Данные содержат выбросы
• Бизнес-логика линейна

Выбирай MAE за её простоту и интерпретируемость, но помни о недостатках с оптимизацией.