MAE (Mean Absolute Error)

Mean Absolute Error (MAE) ist ein Maß für die durchschnittliche absolute Größe der Fehler in einem Satz von Vorhersagen, ohne die Richtung der Fehler zu berücksichtigen. Es wird berechnet, indem der absolute Wert der Differenz zwischen jeder Vorhersage und dem tatsächlichen Wert genommen und dann der Durchschnitt dieser absoluten Differenzen gebildet wird. Im Gegensatz zum MSE oder RMSE werden die Fehler hier nicht quadriert. Dies bedeutet, dass MAE Ausreißern nicht so stark gewichtet wie die quadrierten Fehlermetriken. Der MAE hat die gleiche Einheit wie die Zielvariable und ist daher gut interpretierbar. Ein niedrigerer MAE deutet auf ein besseres Modell hin.

Für Marketing-Verantwortliche ist MAE relevant, wenn eine robuste Metrik für die Vorhersagegenauigkeit benötigt wird, insbesondere in Anwesenheit von Ausreißern. Beim Prognostizieren von Marketingkosten, Werbeausgaben oder Kundenantwortraten, wo einzelne extreme Werte auftreten können, bietet MAE eine stabilere Einschätzung der durchschnittlichen Vorhersagegenauigkeit. Es hilft, die typische Abweichung zu verstehen, ohne von einzelnen extremen Fehlern dominiert zu werden.

Ein Unternehmen setzt ein Modell ein, um die Anzahl der täglichen Website-Besuche vorherzusagen. Gelegentlich treten an bestimmten Tagen extreme Peaks auf. Ein MAE von 500 Besuchen würde bedeuten, dass die Vorhersagen des Modells im Durchschnitt um 500 Besuche von den tatsächlichen Werten abweichen, ohne dass die seltenen, extrem hohen Abweichungen das Gesamtbild verzerren.

MAE ist eine der ältesten statistischen Metriken, bereits im 18. Jh. in Gebrauch.

• Scikit-learn: MAEDokumentation