В каких случаях предпочтительнее использовать MAE

В каких случаях предпочтительнее использовать MAE

MAE (Mean Absolute Error) — это метрика оценки качества модели, которая вычисляет среднее абсолютное отклонение прогнозов от истинных значений. Она предпочтительна в определённых сценариях перед другими метриками, такими как MSE (Mean Squared Error) или RMSE.

Формула MAE

MAE = (1/n) * Σ|y_true - y_pred|

Где каждая ошибка берется по модулю, без возведения в степень.

Когда использовать MAE

1. Наличие выбросов (outliers) в данных

MAE менее чувствительна к выбросам, чем MSE. Это потому, что MSE возводит ошибки в квадрат, делая большие отклонения непропорционально тяжелыми.

import numpy as np

# Пример: истинные значения и предсказания с выбросом
y_true = [1, 2, 3, 100]  # 100 — выброс
y_pred = [1.1, 2.1, 3.1, 50]

mae = np.mean(np.abs(y_true - y_pred))  # ≈ 12.8
mse = np.mean((y_true - y_pred) ** 2)   # ≈ 652.5

# MSE сильно реагирует на выброс, MAE более сбалансирована

2. Интерпретируемость результатов

MAE выражается в тех же единицах, что и целевая переменная, и более интуитивна:

• MAE = 5 — значит в среднем ошибка модели 5 единиц
• RMSE = 5 — сложнее интерпретировать, это не среднее отклонение

Менеджерам и бизнесу проще понять "ошибка в среднем 50 рублей", чем "RMSE = 100".

3. Финансовые и экономические прогнозы

• Предсказание цен акций
• Прогноз дохода компании
• Оценка стоимости имущества
• Прогнозирование спроса на товары

В этих случаях каждая единица ошибки имеет одинаковую "стоимость".

4. Когда все ошибки одинаково важны

Если ошибка в 10 единиц в два раза хуже, чем ошибка в 5 единиц, то MAE подходит идеально. MSE считает первую ошибку в 4 раза хуже.

5. Робастность в условиях шума

MAE более устойчива к случайному шуму в данных, особенно если шум содержит экстремальные значения.

MAE vs MSE: сравнение

from sklearn.metrics import mean_absolute_error, mean_squared_error

y_true = [3, -0.5, 2, 7]
y_pred = [2.5, 0.0, 2, 8]

mae = mean_absolute_error(y_true, y_pred)   # 0.5
mse = mean_squared_error(y_true, y_pred)    # 0.375

# MAE более "честна" относительно размера ошибок

Недостатки MAE

• Менее удобна для оптимизации (не дифференцируема в точке 0)
• Не штрафует за большие ошибки так, как MSE
• В некоторых моделях сложнее вычисляется градиент

Выводы

Используй MAE, когда:

• Есть выбросы в данных
• Нужна простая интерпретация для stakeholders
• Все ошибки одинаково важны
• Работаешь с финансовыми данными
• Важна устойчивость к экстремальным значениям