R语言中MAE怎么计算|极客教程

R语言中MAE怎么计算

在统计学和机器学习中，MAE（Mean Absolute Error，平均绝对误差）是一种常用的评估模型预测精度的指标。它衡量了模型预测值与实际观测值之间的平均绝对差异，越小表示模型的预测越准确。在R语言中，我们可以使用简单的代码来计算MAE。

MAE的公式

MAE的计算公式如下：
$MAE = \frac{1}{n} \sum_{i=1}^{n} |y_i – \hat{y}_i|$
其中， $n$ 为样本数量， $y_i$ 为实际观测值， $\hat{y}_i$ 为模型预测值。

计算MAE的步骤

要计算MAE，我们需要按照以下步骤进行：
1. 计算每个样本的预测误差，即$|y_i – \hat{y}i| $； 2. 求取所有样本的预测误差的平均值，即$ \frac{1}{n} \sum{i=1}^{n} |y_i – \hat{y}_i|$。

下面，我们将通过一个简单的示例来演示如何在R中计算MAE。

# 创建一个示例数据集
actual <- c(2, 5, 7, 10, 12)  # 实际观测值
predicted <- c(1, 4, 8, 9, 11)  # 模型预测值

# 计算每个样本的预测误差
errors <- abs(actual - predicted)

# 计算MAE
MAE <- mean(errors)
MAE

运行上面的代码，将得到输出为：

[1] 1.6

这表明在这个示例中，模型的平均绝对误差为1.6。

使用函数计算MAE

除了手动计算MAE之外，我们还可以使用R中一些函数来更方便地计算MAE。

使用巴莱特包（caret package）

library(caret)

MAE <- MAE(actual, predicted)
MAE

使用Metrics包

library(Metrics)

MAE <- mae(actual, predicted)
MAE

使用mlr3包

library(mlr3)

MAE <- mean_absolute_error(actual, predicted)
MAE

以上就是在R语言中计算MAE的方法，希望对你有所帮助。如果你想评估模型的预测精度，MAE是一个非常有用的指标，而R语言提供了多种方法来计算它。

R语言中MAE怎么计算