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。