Mutlak Hata Ortalaması (MHO)
Mean Absolute Error · Ayrıca şöyle bilinir: MAE, L1 error, mean absolute deviation
Mutlak Hata Ortalaması (MAE), regresyon modellerindeki tahmin hatalarının ortalama mutlak büyüklüğünü ölçen sağlam bir metriktir. Pierre-Simon Laplace'ın gözlemsel hatalar üzerine çalışmalarına (1799) dayanan MAE, gözlemlenen ve tahmin edilen değerler arasındaki mutlak farkların ortalamasını alarak tipik tahmin sapmasını ölçer.
Tam yöntemi oku
Bu bölümü okumak için ücretsiz hesapla giriş yapın.
Yöntem haritası
İlişkili yöntemlerin komşuluğu — keşfetmek için bir düğüm seçin.
Ne zaman kullanılır
MAE, hataların yönü veya büyüklüğünden bağımsız olarak düzgün bir şekilde cezalandırılmasının istendiği regresyon problemleri için idealdir. Aykırı değerlerin bulunduğu ve bu değerlerin metriği domine etmesini istemediğiniz durumlarda MAE kullanın. MAE ayrıca tedarik zinciri gibi, 2 birimlik aşırı tahminin gerçekten de 2 birimlik eksik tahminle eşdeğer olduğu alanlarda tercih edilir. RMSE'den daha az pürüzsüzdür (mutlak değer nedeniyle), bu da optimizasyonu karmaşıklaştırabilir.
Güçlü yönler & sınırlılıklar
- Aykırı değerlere karşı sağlamdır; aşırı değerler metriği şişirmez
- Sezgisel yorumlama: ortalama tahmin hatası büyüklüğünü doğrudan gösterir
- Eksik ve aşırı tahminlerin simetrik olarak ele alınması
- Hesaplanması basit ve hızlıdır
- Sıfırda türevlenemez olması, gradyan tabanlı optimizasyonu zorlaştırır
- Büyük hataların orantısız derecede maliyetli olduğu maliyet yapılarını doğrudan yansıtmaz
- RMSE'ye kıyasla makine öğrenimi çerçevelerinde daha az standarttır
- Bazı algoritmalarda modifikasyonlar olmadan kayıp fonksiyonu olarak kullanılamaz
SSS
MAE'yi RMSE yerine ne zaman kullanmalıyım?
Hataların düzgün bir şekilde ele alınmasını istiyorsanız (5 birimlik bir hata, 1 birimlik bir hatadan tam olarak 5 kat daha kötüdür) veya aykırı değerler varsa ve bunların sınırlı bir etkiye sahip olmasını istiyorsanız MAE'yi kullanın. Büyük hatalar orantısız derecede maliyetliyse veya optimizasyon tabanlı uyum için RMSE'yi kullanın.
MAE'yi RMSE'den optimize etmek neden daha zordur?
Mutlak değer fonksiyonu sıfırda pürüzsüz olmayan bir bükülmeye sahiptir, bu da gradyanını orada tanımsız hale getirir. Optimizasyon algoritmaları bununla mücadele eder. Her yerde pürüzsüz olan RMSE, gradyan inişi için daha kolaydır. Ancak, özel çözücüler MAE'yi verimli bir şekilde ele alır.
MAE'yi sinir ağlarında kayıp fonksiyonu olarak kullanabilir miyim?
Evet, MAE geçerli bir kayıp fonksiyonudur (L1 kaybı olarak da adlandırılır). Genellikle regresyon için kullanılır ve aykırı değerler beklendiğinde tercih edilir. Bazı çerçeveler verimli uygulamalar sunar.
MAE ile aykırı değerler arasındaki ilişki nedir?
MAE, hataları karesini almadığı için aykırı değerlere karşı RMSE'den daha dayanıklıdır. Tek bir 100 birimlik hata RMSE'yi 10.000 artırırken, MAE'yi yalnızca 100 artırır. Bu, MAE'yi aykırı değerler beklendiğinde daha iyi bir seçim haline getirir.
MAE değerlerini veri kümeleri arasında nasıl karşılaştırabilirım?
RMSE gibi, ham MAE değerleri de ölçeğe bağlıdır. Veri kümeleri arasında karşılaştırma yapmak için, hedef değişkenin ortalamasına veya standart sapmasına bölerek normalleştirin (ortalama mutlak yüzde hata bir normalleştirme yaklaşımıdır).
Kaynaklar
- Laplace, P. S. (1799). Traité de Mécanique Céleste. Paris: J.B.M. Duprat. link ↗
- Brossier, C. L. (1999). Consistency of trimmed and Winsorized L-estimators of location and scale. Journal of the American Statistical Association, 74(368), 813-821. link ↗
- Huber, P. J. (2009). Robust Statistics (2nd ed.). Hoboken, NJ: John Wiley & Sons. ISBN: 978-0470129906
Bu sayfayı kaynak gösterin
ScholarGate. (2026, June 3). Mean Absolute Error. ScholarGate. https://scholargate.app/tr/model-evaluation/mean-absolute-error
Hangi yöntem?
Bu yöntemi en yakın akrabalarının yanına koyup yan yana okuyun — kütüphane kitapları masaya serer; seçim sizindir.
- Mutlak Yüzde Hatası Ortalaması (MAPE)Model değerlendirme↔ karşılaştır
- Ortalama Karesel Hata (MSE)Model değerlendirme↔ karşılaştır
- Ortalama Karekök Hata (RMSE)Model değerlendirme↔ karşılaştır