R语言如何计算MAE

在这篇文章中，我们将在R编程语言中计算平均绝对误差。

平均绝对误差： 它是对表达同一现象的成对观测值之间的误差的衡量，也是衡量一个给定模型的准确性的方法。它的公式如下。

MAE = (1/n) *** Σ|yi **- xi||

其中。

Σ:总和
yi：第1个观测值的观测值
xi。第1个观测值的预测值
n:观察值的总数

方法1：使用实际公式

平均绝对误差（MAE）的计算方法是：将整个向量上每个观测值的实际值和计算值之间的绝对差值相加，然后将得到的总和除以向量中观测值的数量。

在这个例子中，我们取两个向量，即实际向量和计算向量，并且进一步使用MAE的基本公式，我们将在R中计算它。

# a vector of integers for actual
actual = c(8,9,6,1,4,8,6,4,5,6)
  
# a vector of integers for actual
calculated = c(9,6,4,8,4,1,2,3,9,6)
  
n = 10
sum = 0
  
# for loop for iteration
for (i in 1:n){
  sum = abs(actual[i] - calculated[i]) + sum
}
error = sum/n
  
# display
error

输出。

[1] 2.9

方法2：使用mae()函数计算向量间的MAE

关于测量平均绝对误差，这里我们必须调用Metrics包中的mae()函数，并向其传递所需的参数，以获得结果。

在R控制台安装度量包的语法 。

install.packages('Metrics")

在这个例子中，我们使用mae()函数计算mae，其参数为传递的向量，向量的值与上一个例子中使用的相同。

# Import required package
library(Metrics)
  
# consider a vector of integers for actual
actual = c(8,9,6,1,4,8,6,4,5,6)
  
# consider a vector of integers for actual
calculated = c(9,6,4,8,4,1,2,3,9,6)
  
n = 10
sum = 0
  
# for loop for iteration
for (i in 1:n){
  sum = abs(actual[i] - calculated[i]) + sum
}
error = sum/n
  
# display
mae(actual,calculated)

输出。

[1] 2.9

方法3：计算回归模型的MAE

在这个方法中，我们使用的是回归模型，而不是前面例子中使用的向量，因为对MAE的定义说，它是用来获得所建模型的准确性的，所以在这个方法中，我们只是创建一个包含10列和3行的数据框，其中包含整数值，我们只是使用mae()函数，通过所建数据框的列的尊重参数来获得模型的MAE。

在这个例子中，我们创建了一个3行10列的数据框，然后进一步将这个数据框拟合到线性回归模型中，最后，我们在R中使用模型的预测值与实际值来计算模型的精度MAE。

# Import required package
library(Metrics)
  
# Create Data frame
gfg_df <- data.frame(x1=c(4,8,9,4,1,8,9,4,1,6),
                 x2=c(1,3,2,8,9,9,6,7,4,1),
                 y=c(8,5,1,3,2,4,1,6,2,5))
  
# fit regression model
model <- lm(y~x1+x2, data=gfg_df)
  
# display mae
mae(gfg_df$y, predict(model))