KNOWECON WIKI

ARTICLE

平均绝对误差 (Mean Absolute Error, MAE)

平均绝对误差 (Mean Absolute Error, MAE) 平均绝对误差（MAE）是衡量预测值与实际观测值之间偏差的最直观指标之一。作为回归分析、机器学习和预测评估领域的核心损失函数，MAE 以原始变量的量纲直接反映"平均而言预测偏离真实值多少单位"，因此在实际应用中具备天然的可解释性优势。 定义与公式 给定一组观测值 y_i 和对应的预测值 y_i

浏览 0 更新 2025-10-26

平均绝对误差 (Mean Absolute Error, MAE)

平均绝对误差（MAE）是衡量预测值与实际观测值之间偏差的最直观指标之一。作为回归分析、机器学习和预测评估领域的核心损失函数，MAE 以原始变量的量纲直接反映"平均而言预测偏离真实值多少单位"，因此在实际应用中具备天然的可解释性优势。

定义与公式

给定一组观测值 yi y_i 和对应的预测值 y^i \hat{y}_i （其中 i=1,2,…,n i = 1, 2, \ldots, n ），平均绝对误差定义为预测误差绝对值的算术平均：

MAE=1n∑i=1n∣yi−y^i∣\mathrm{MAE} = \frac{1}{n} \sum_{i=1}^{n} |y_i - \hat{y}_i|

在总体层面，若 Y Y 为随机变量，预测值为 Y^ \hat{Y} ，则总体 MAE 定义为：

MAE=E[∣Y−Y^∣]\mathrm{MAE} = \mathbb{E}[|Y - \hat{Y}|]

MAE 的量纲与原始变量完全一致——当预测对象是价格时，MAE 的单位即是货币单位；当预测对象是温度时，MAE 的单位即是摄氏度。这一特征使非技术受众也能直观理解模型的预测精度。

与均方误差的对比

MAE 与均方误差 (Mean Squared Error, MSE)是回归任务中最常用的两种损失函数，二者的核心差异在于对误差的惩罚机制。MSE 采用平方惩罚 1n∑(yi−y^i)2 \frac{1}{n}\sum (y_i - \hat{y}_i)^2 ，这意味着一个误差为 4 的样本受到的惩罚相当于十六个误差为 1 的样本，大误差被不成比例地放大。MAE 对所有误差施加线性权重，误差扩大两倍，惩罚也恰好扩大两倍。

这一差异导致两种指标对离群值表现出截然不同的敏感度。当数据中存在极端观测值时，MSE 可能被少数离群值主导，使得评估结果偏离模型在绝大多数样本上的真实表现；MAE 则保持稳健，不会被个别异常点劫持。因此，在金融收益率预测、能源需求预测等易受偶发冲击的场景中，MAE 往往比 MSE 提供更贴合实际的评估。

从最优预测的视角看，最小化 MSE 的最优预测值是条件均值 E[Y∣X] \mathbb{E}[Y|X] ，而最小化 MAE 的最优预测值是条件中位数 Median(Y∣X) \mathrm{Median}(Y|X) 。当中位数的条件分布不对称或存在厚尾时，两者给出的最优预测可能显著不同。这一性质在分位数回归中扮演基础角色——MAE 恰是可视为 0.5 分位数损失的特殊情形。

数学性质

MAE 具有若干值得关注的数学属性。作为绝对值函数的线性组合，MAE 是凸函数，但其梯度在误差为零处不连续，即原点不可微。这一不可微性给基于梯度下降的优化算法带来了实际困难：当预测恰好命中真实值时，梯度未定义，优化路径可能出现振荡。常见的应对策略包括使用次梯度方法，或改用Huber 损失——该损失在误差较小时为二次函数（平滑、可微），在误差较大时退化为线性函数（对离群值鲁棒），兼顾了 MAE 的稳健性与 MSE 的可微性。

从概率分布的角度，MAE 作为损失函数对应拉普拉斯分布（双指数分布）的极大似然估计。若误差项 εi=yi−y^i \varepsilon_i = y_i - \hat{y}_i 服从拉普拉斯分布 f(ε)=12bexp⁡(−∣ε∣/b) f(\varepsilon) = \frac{1}{2b}\exp(-|\varepsilon|/b) ，则最大化对数似然等价于最小化 ∑∣εi∣ \sum |\varepsilon_i| ，即 MAE。与之对应，MSE 对应于误差服从正态分布的极大似然估计。

MAE 满足非负性与对称性：MAE≥0 \mathrm{MAE} \geq 0 ，仅当所有预测完美准确时为零；正向预测误差与负向预测误差被同等对待。此外，MAE 服从三角不等式，这意味着它构成一个合法的距离度量。然而，MAE 缺乏 MSE 所拥有的"可分解为方差与偏差平方之和"的优雅分解性质。

与 MAD 的辨析及相关变体

在实践中，MAE 常与平均绝对离差 (Mean Absolute Deviation, MAD)混用，但二者存在细微却重要的区别。MAD 传统上指观测值与其样本均值之间绝对离差的平均值（1n∑∣yi−yˉ∣ \frac{1}{n}\sum |y_i - \bar{y}| ），用于衡量数据自身的离散程度；MAE 则衡量预测值与真实值之间的偏差，用于评估模型精度。部分预测教材将 MAE 直接称为 MAD，因此读者需根据上下文加以甄别。

与 MAE 相关的重要变体包括：

  • 平均绝对百分比误差 (MAPE)： 100%n∑∣yi−y^iyi∣ \frac{100\%}{n}\sum \left|\frac{y_i - \hat{y}_i}{y_i}\right| ，将误差标准化为百分比，使不同尺度的预测任务可横向比较。其致命缺陷在于当真实值 yi y_i 接近或等于零时，MAPE 变得不稳定甚至无定义，因此在处理零值或接近零值的数据时需格外谨慎。
  • 中位数绝对误差 (Median Absolute Error, MedAE)： median(∣y1−y^1∣,…,∣yn−y^n∣) \mathrm{median}(|y_1 - \hat{y}_1|, \ldots, |y_n - \hat{y}_n|) ，以中位数替代均值，对离群值完全免疫。在数据质量参差不齐或异常值难以可靠识别时，MedAE 是比 MAE 更为保守和稳健的选择。
  • 均方根误差 (RMSE)： 1n∑(yi−y^i)2 \sqrt{\frac{1}{n}\sum (y_i - \hat{y}_i)^2} ，MSE 的平方根，量纲恢复至与原始变量一致。RMSE 对大误差的惩罚介于 MAE 和 MSE 之间，且在最优预测为目标均值的条件下可被解析地分解为随机误差与系统偏差的贡献。

应用场景

MAE 在多个领域发挥着不可替代的作用。

时间序列预测。在零售需求预测、气象预报、电力负荷预测等业务场景中，MAE 因直观可解释而被广泛采用。与 RMSE 相比，当预测序列包含节假日效应、促销冲击或极端天气等偶发事件时，MAE 提供了更稳健的评估基准——它不会让少数异常事件主导对模型长期表现的判断。

机器学习模型评估。在监督学习的回归任务中，MAE 与 R2 R^2 、MSE 并列为核心评价指标。对于随机森林、梯度提升等集成方法在超参数调优阶段的交叉验证，MAE 常作为验证准则。不过，由于不可微性，绝大多数算法（如XGBoost、神经网络的默认实现）仍将 MSE 作为训练损失函数，MAE 更多出现在模型选择与评估环节。

经济预测与政策评估。宏观经济预测（如 GDP 增速、通胀率预测）中，不同模型（VAR、DSGE、组合预测等）的预测精度比较通常依赖 MAE 和 RMSE。经济数据受结构性突变和罕见事件（如金融危机、疫情）影响显著，使用 MAE 可以避免评估结论被少数极端季度过度左右。

信号处理与控制系统。在卡尔曼滤波设计、控制器性能评估和传感器校准中，MAE 是衡量系统响应与目标轨迹之间跟踪精度的基本准则之一，与积分平方误差（ISE）、积分时间绝对误差（ITAE）等指标互为补充。

局限性与注意事项

MAE 并非万能。首先，不可微性使基于梯度的高效优化算法需要额外处理，这在深度学习等大规模参数优化场景中尤为不便。其次，绝对值的对称性意味着预测偏高与偏低被完全一致地对待，当二者的经济后果不对称时（如库存过剩成本远低于缺货损失），MAE 的评估可能误导决策——此时应考虑分位数损失（Quantile Loss）或非对称损失函数。

此外，MAE 是尺度依赖指标：预测股价的 MAE 通常远大于预测温度的 MAE，仅因前者数值尺度更大。虽然 MAPE 可缓解尺度依赖问题，但其在零值附近的不稳定性以及当 yi y_i 取负值时含义模糊的问题限制了适用性。最终，选择何种误差度量应从具体任务的预测目标、数据分布特征、受众的可解释性需求以及理论一致性要求综合权衡，不存在一个"放之四海而皆准"的最优指标。