2. Средняя абсолютная ошибка

Вторым инструментом, который мы рассмотрим, будет средняя абсолютная ошибка (Mean Absolute Error, MAE). MAE представляет собой среднее значение абсолютных отклонений фактических значений от прогнозируемых значений модели.

Диапазон значений MAE также теоретически может быть от 0 до бесконечности. Как и в случае с MSE, чем меньше значение MAE, тем лучше модель.

Пример вызова и получения MAE на Python может выглядеть так:

from sklearn.metrics import mean_absolute_error

# Предположим, что y_true - это фактические значения, а y_pred - прогнозируемые значения модели
y_true = [3, -0.5, 2, 7]
y_pred = [2.5, 0.0, 2, 8]

# Вычисляем MAE
mae = mean_absolute_error(y_true, y_pred)

print("Mean Absolute Error (MAE):", mae)

# Mean Absolute Error (MAE): 0.5

Этот код выведет значение MAE для приведенных фактических и прогнозируемых значений.