Ο όρος "mean absolute error" (MAE) είναι μια ουσιαστική φράση που χρησιμοποιείται κυρίως στη στατιστική και τη μηχανική μάθηση.
/m iː n æ b s ə l u t ˈɛr r ə r/
Το mean absolute error (MAE) είναι ένα μέτρο της απόλυτης διαφοράς μεταξύ των τιμών που προβλέπει ένα μοντέλο και τις πραγματικές τιμές. Υπολογίζεται ως ο μέσος όρος των απόλυτων διαφορών. Χρησιμοποιείται συχνά στην εκτίμηση της ακρίβειας των προγνωστικών μοντέλων. Συνήθως χρησιμοποιείται περισσότερο στο γραπτό πλαίσιο, π.χ. σε ερευνητικές εργασίες, αναφορές και στατιστικά κείμενα.
Το μέσο απόλυτο σφάλμα του μοντέλου ήταν απροσδόκητα χαμηλό.
To evaluate the predictions, we calculated the mean absolute error.
Ο όρος "mean absolute error" δεν χρησιμοποιείται σε πολλές ιδιωματικές εκφράσεις, αλλά μπορεί να συνδυαστεί με άλλες τεχνικές φράσεις. Ωστόσο, παρακάτω παρατίθενται κάποιες εφαρμογές του MAE σε συγκεκριμένα πλαίσια:
Το μέσο απόλυτο σφάλμα τείνει να βελτιώνεται καθώς το σύνολο δεδομένων αυξάνεται σε μέγεθος.
In machine learning, minimizing the mean absolute error is often a key goal.
Στη μηχανική μάθηση, η ελαχιστοποίηση του μέσου απόλυτου σφάλματος είναι συχνά ένας βασικός στόχος.
A lower mean absolute error indicates better model performance.
Ο όρος προέρχεται από την αγγλική γλώσσα, συνδυάζοντας τις λέξεις "mean" (μέσο), "absolute" (απόλυτο) και "error" (σφάλμα).
Συνώνυμα: - Absolute Error - Mean Error
Αντώνυμα: - Mean Squared Error (MSE)
Αυτός ο όρος είναι σημαντικός σε πολλές στατιστικές και μηχανικές αναλύσεις, ενισχύοντας την κατανόηση της απόδοσης των μοντέλων που χρησιμοποιούνται σε διάφορες εφαρμογές.