平均绝对误差：评估预测精度的核心指标
平均绝对误差（Mean Absolute Error，简称MAE）是统计学和机器学习中衡量预测模型准确性的常用指标之一。它通过计算预测值与实际值之间绝对差的平均值，直观地反映预测误差的平均大小。与均方误差（MSE）相比，MAE对异常值不敏感，能更稳健地描述模型在大多数情况下的表现。无论是回归分析、时间序列预测，还是工业质量监控，MAE都扮演着关键角色。理解其原理、计算方法和应用边界，对于正确评估模型性能、优化预测系统至关重要。
平均绝对误差的定义与公式
平均绝对误差的核心思想是量化预测值与真实值之间的平均偏离程度。其数学表达式为：MAE = (1/n) * Σ|y_i - ŷ_i|，其中y_i代表第i个样本的真实值，ŷ_i代表预测值，n是样本总数。公式中的绝对值操作保证了误差的正向累加，不会因正负相抵而掩盖真实偏差。MAE的单位与原始数据相同，例如预测房价时单位是万元，预测温度时单位是摄氏度，这使得结果易于解释。
关键数据：平均绝对误差最早由18世纪天文学家用于测量观测误差；在气象预报中，MAE低于2°C被视为高精度模型；工业传感器校准中MAE容忍度常设定为±0.5%；Kaggle竞赛中约40%的回归任务将MAE作为主要评估指标。
平均绝对误差的计算步骤
1、收集一组真实值与对应的预测值，确保数据一一对应。例如，某天气模型对5天最高气温的预测分别为23°C、25°C、22°C、24°C、26°C，实际值为22°C、26°C、21°C、25°C、27°C。
2、逐对计算绝对误差：|23-22|=1、|25-26|=1、|22-21|=1、|24-25|=1、|26-27|=1，得到误差序列[1,1,1,1,1]。
3、将所有绝对误差求和：1+1+1+1+1=5。
4、除以样本总数5，得到MAE=1°C。这意味着该模型平均每天预测偏差为1°C，精度较高。
平均绝对误差与其他误差指标的对比
●与均方误差（MSE）对比：MSE对误差取平方，放大了大误差的影响，适合需要惩罚极端偏差的场景；MAE则线性处理所有误差，更关注平均性能。例如，一个预测系统有9次误差1和1次误差10，MAE为1.9，MSE为18.1，后者显著放大了那次大偏差。
●与均方根误差（RMSE）对比：RMSE是MSE的平方根，单位与原始数据一致，但对异常值敏感度介于MAE和MSE之间。在数据异常值较少时，RMSE与MAE数值接近；若存在明显离群点，RMSE会明显大于MAE。
●与平均绝对百分比误差（MAPE）对比：MAPE以百分比形式表示误差，便于跨数据集比较，但当真实值接近零时会趋于无穷大，导致不稳定。MAE则无此限制，适用于包含零值或极小值的预测任务。
平均绝对误差的应用场景
在金融领域，MAE常用于评估股票价格预测模型。由于金融数据中异常值（如黑天鹅事件）较少，MAE能稳定反映模型日常表现。例如，某量化策略的MAE为0.5元，表明平均每日预测偏差可控。
在供应链管理中，MAE被用于衡量需求预测的准确性。库存补货系统通常设定MAE阈值，当预测误差超过该阈值时触发重新校准，以避免缺货或积压。一家电商平台通过将MAE从12%降至8%，成功减少了15%的仓储成本。
在医疗诊断中，MAE用于评估影像分割模型的边界定位精度。例如，肿瘤边界预测的MAE为1.2毫米，意味着平均轮廓偏移量小于一个像素，可辅助医生进行精准手术规划。
平均绝对误差的局限性与注意事项
MAE对异常值不敏感既是优点也是缺点。在需要严格避免单次大误差的场合（如自动驾驶刹车距离预测），MAE可能无法充分反映风险，此时应优先考虑MSE或RMSE。此外，MAE无法直接比较不同量纲的数据集，例如预测销量（单位：件）与预测温度（单位：°C）的MAE数值没有可比性。
使用MAE时还需注意样本量的影响。小样本下MAE波动较大，建议配合置信区间或交叉验证使用。当数据存在系统性偏差（如预测值始终偏高）时，MAE无法区分偏差方向，需结合平均误差（ME）或符号检验进一步分析。
总结
平均绝对误差以简单直观的方式量化了预测误差的平均水平，是回归任务中最易解释的评估指标之一。它通过绝对值避免正负相抵，对异常值稳健，在气象、金融、制造等领域得到广泛应用。理解MAE的计算逻辑、适用场景以及与其他指标的差异，有助于选择最匹配业务需求的误差衡量方式，从而提升模型评估的科学性和实用性。