{
  "id": "mean-absolute-error",
  "title": "平均绝对误差",
  "lang": "zh-Hans",
  "source_lang": "en",
  "summary": "平均绝对误差是预测值与观测值之间绝对差的平均值，以数据原有的单位衡量预测准确性。",
  "category": "mathematics",
  "subcategory": "probability-statistics",
  "type": "concept",
  "aliases": [
    "MAE",
    "均绝对误差"
  ],
  "generated_at": "2026-11-05",
  "model": "pro/gpt-6.1-sol",
  "url": "https://aiwiki.page/zh/mean-absolute-error/",
  "translations": {
    "en": {
      "url": "https://aiwiki.page/en/mean-absolute-error/",
      "json": "https://aiwiki.page/en/mean-absolute-error.json"
    }
  },
  "sections": [
    {
      "heading": "",
      "text": "平均绝对误差（MAE）用于衡量成对数值之间误差的平均大小，这些数值最常见的是预测值与观测值。其计算方法是对每个误差取绝对值，再求平均。MAE 广泛用于统计学、机器学习和预测领域，以与预测量相同的单位表示误差。作为一种损失函数，它对误差施加线性惩罚，并对高估和低估一视同仁。"
    },
    {
      "heading": "定义",
      "text": "对于 \\(n\\) 个观测值 \\(y_1,\\ldots,y_n\\) 及其对应的预测值 \\(\\hat y_1,\\ldots,\\hat y_n\\)，平均绝对误差定义为\n\n\\[\\operatorname{MAE} = \\frac{1}{n}\\sum_{i=1}^{n}|y_i-\\hat y_i|.\\]\n\n带符号的误差可以定义为 \\(y_i-\\hat y_i\\)，也可以定义为其相反数；这一约定不影响 MAE。当预测值是统计模型的拟合值时，这些差值通常称为残差。\n\n由定义可直接得到 MAE 的几个性质：\n\n- 它是非负的。\n- 当且仅当每个预测值都等于其对应的观测值时，它才等于零。\n- 正误差与负误差不会相互抵消。\n- 它与观测值具有相同的物理单位。\n- 每个观测值对 MAE 的贡献都与其误差的大小成正比。\n\n例如，观测值为 \\(3,5,2,7\\)，预测值为 \\(2,5,4,6\\)，则绝对误差为 \\(1,0,2,1\\)。它们的 MAE 为\n\n\\[\\frac{1+0+2+1}{4}=1.\\]\n\n这意味着绝对偏差的平均值为一个单位，而不意味着每个预测值与其观测值都相差一个单位。\n\n总体形式\n\n对于结果变量 \\(Y\\) 和预测值 \\(\\hat Y\\)，相应的总体量是绝对误差的期望值\n\n\\[R=\\mathbb{E}\\!\\left[|Y-\\hat Y|\\right],\\]\n\n前提是该期望有限。这里，\\(Y\\) 和 \\(\\hat Y\\) 是具有指定联合分布的随机变量。\n\n对于一个固定的预测规则，若使用来自同一总体的独立观测值进行评估，则样本 MAE 是这一期望误差的估计值。如果绝对误差的期望有限，那么根据大数定律，样本 MAE 收敛于相应的总体值。"
    },
    {
      "heading": "数学性质",
      "text": "缩放与平移\n\n给观测值和预测值同时加上同一个常数，MAE 不变。将二者同时乘以常数 \\(c\\)，MAE 就乘以 \\(|c|\\)。更一般地，\n\n\\[\\operatorname{MAE}(a+cy,\\;a+c\\hat y) = |c|\\,\\operatorname{MAE}(y,\\hat y).\\]\n\n因此，将测量单位从米换算为厘米，会使 MAE 乘以 \\(100\\)。这种对尺度的依赖使 MAE 在同一应用场景中易于解释，但也限制了对不同单位或数量级相差很大的量进行比较。\n\n与距离及范数的关系\n\n对于向量 \\(y,\\hat y\\in\\mathbb{R}^n\\)，\n\n\\[\\operatorname{MAE}(y,\\hat y) = \\frac{1}{n}\\|y-\\hat y\\|_1,\\]\n\n其中，\\(\\|\\cdot\\|_1\\) 是以各分量绝对值之和定义的范数。因此，在维数及坐标配对固定的情况下，MAE 是经过比例缩放的距离：它具有对称性，仅在两个向量相同时为零，并且满足三角不等式。\n\n这种几何解释针对的是成对的坐标。任意重排其中一个向量的分量，即使其所含数值不变，也可能改变 MAE。"
    },
    {
      "heading": "绝对误差与中位数",
      "text": "绝对误差损失的一个核心性质是，它以中位数而非均值为目标。\n\n对于一阶绝对矩有限的实值随机变量 \\(Y\\)，其任意一个中位数都能在所有常数预测值 \\(a\\) 中使下式最小：\n\n\\[\\mathbb{E}[|Y-a|]\\]\n\n中位数 \\(m\\) 满足\n\n\\[\\Pr(Y\\leq m)\\geq \\frac12, \\qquad \\Pr(Y\\geq m)\\geq \\frac12.\\]\n\n使损失最小的值不一定唯一。对于包含偶数个观测值的样本，将观测值排序后，中间两个观测值之间的任意一点都能使绝对偏差之和最小。\n\n在根据输入变量 \\(X\\) 进行预测时，若预测函数不受限制，则使期望绝对损失最小的预测函数对应于给定 \\(X\\) 时 \\(Y\\) 的某个条件中位数。相比之下，在相关矩存在的情况下，使均方误差最小的预测函数对应于条件均值。\n\n当结果变量的分布不对称时，这一区别很重要。两个设定正确的模型也可能给出不同的点预测，因为其中一个以最小化绝对误差为训练目标，另一个则以最小化平方误差为目标。不过，受限的模型类可能无法表示真实的条件中位数。"
    },
    {
      "heading": "在模型拟合中的应用",
      "text": "使绝对残差之和或均值最小的估计方法，称为最小绝对偏差估计。在线性回归中，其形式为\n\n\\[\\min_{\\beta} \\frac{1}{n} \\sum_{i=1}^{n}|y_i-x_i^\\top\\beta|.\\]\n\n该目标函数是关于 \\(\\beta\\) 的凸函数，但不保证解唯一。\n\n优化\n\n在残差为零的位置，绝对误差不可微。对于单个观测值，对预测值求导可得\n\n\\[\\frac{\\partial}{\\partial \\hat y}|y-\\hat y| = \\begin{cases} -1,&\\hat y<y,\\\\ 1,&\\hat y>y. \\end{cases}\\]\n\n在 \\(\\hat y=y\\) 处，其次梯度集合为区间 \\([-1,1]\\)。因此，在误差非零的位置，斜率的绝对值恒定，并不会随误差增大而增大。\n\n通过引入辅助变量 \\(u_i\\)，线性模型的绝对误差拟合可以表述为一个线性规划问题：\n\n\\[\\begin{aligned} \\min_{\\beta,u}\\quad &\\frac1n\\sum_{i=1}^n u_i,\\\\ \\text{subject to}\\quad &u_i\\geq y_i-x_i^\\top\\beta,\\\\ &u_i\\geq -(y_i-x_i^\\top\\beta). \\end{aligned}\\]\n\n这些约束保证 \\(u_i\\) 的最小可行值等于对应的绝对残差。对于非线性预测模型，尽管绝对损失关于每个预测值都是凸的，但目标函数关于模型参数通常并不是凸的。\n\n概率解释\n\n绝对误差拟合也有最大似然估计方面的解释。假设各误差相互独立，并服从具有共同尺度参数 \\(b>0\\) 的拉普拉斯分布：\n\n\\[p(y_i\\mid x_i,\\beta,b) = \\frac{1}{2b} \\exp\\!\\left( -\\frac{|y_i-x_i^\\top\\beta|}{b} \\right).\\]\n\n当 \\(b\\) 固定时，对 \\(\\beta\\) 最大化似然等价于最小化绝对残差之和。这为该拟合准则提供了一种概率上的依据；但将 MAE 用作评估指标，并不要求误差服从这一分布。"
    },
    {
      "heading": "与平方误差类指标的比较",
      "text": "均方根误差定义为\n\n\\[\\operatorname{RMSE} = \\sqrt{\\frac1n\\sum_{i=1}^n(y_i-\\hat y_i)^2}.\\]\n\n对于同一组有限个误差，\n\n\\[\\operatorname{MAE}\\leq\\operatorname{RMSE},\\]\n\n当且仅当所有绝对误差都相等时，等号成立。\n\n在 MAE 中，十个单位的误差所产生的损失是一个单位误差的十倍；在平方误差中，则是一百倍。因此，平方误差类指标更强调大误差。\n\n人们常说，MAE 对极端误差的敏感程度低于平方误差类指标。这是相对而言的，并不意味着它具有完全的稳健性：\n\n- 绝对损失仍然无界，因此足够大的误差可能主导平均值。\n- 拟合模型的稳健性不仅取决于损失函数，还取决于预测变量和模型结构。\n- 在回归中，预测变量取值极端的观测仍然可能产生很大的影响。\n\n此外，MAE 不具有标准的平方误差分解，即不能按同样方式分解为方差与偏差平方。即使 MAE 相同，模型的系统性误差、尾部特征以及个体误差的分布也可能不同。"
    },
    {
      "heading": "加权指标及相关指标",
      "text": "加权 MAE 定义为\n\n\\[\\operatorname{MAE}_w = \\frac{\\sum_{i=1}^n w_i|y_i-\\hat y_i|} {\\sum_{i=1}^n w_i},\\]\n\n其中 \\(w_i\\geq0\\)，且权重总和为正。权重可以表示不同的出现频率或评估侧重点。权重的选择会改变所报告误差代表的总体或目标。\n\n应将 MAE 与下列指标区分开来：\n\n- **平均绝对离差：**相对于某个指定中心（如样本均值或中位数）的绝对距离的平均值，不一定是相对于成对预测值的偏差。\n- **绝对误差中位数：**各个绝对误差的中位数，而非平均值。\n- **平均绝对百分比误差：**以观测值为基准计算相对绝对误差，再取平均；与 MAE 不同，它在观测值为零时无定义。\n- **分位数损失：**绝对损失的一种非对称推广，用于估计选定的分位数。当目标分位数为中位数时，它与绝对损失成正比。"
    },
    {
      "heading": "解释与评估局限",
      "text": "MAE 用于连续结果变量的预测、时间序列预测、测量结果比较以及数值近似。当需要直观传达整体偏差通常有多大时，以原始单位解释 MAE 尤其有用。\n\n解释 MAE 时，需要注意以下几点：\n\n**评估数据。**在训练数据上测得的 MAE，通常会使人对模型在新观测值上的表现过于乐观。使用留出数据进行评估或采用交叉验证，可以将模型拟合与误差评估分开。对于时间数据，评估必须考虑时间顺序和依赖关系。\n\n**方向信息的丢失。**单凭 MAE 无法判断预测值是否存在系统性的偏高或偏低。它也不能说明最大误差有多大，或低于某个特定阈值的误差占多大比例。\n\n**对评估总体的依赖。**改变容易预测和难以预测的样本所占比例，即使模型在各组内的表现不变，也可能改变总体 MAE。进行比较时，需要确保观测对象、预测时距、加权规则及缺失数据处理方式具有可比性。\n\n**跨输出的汇总。**对于多个目标变量，将所有坐标上的绝对误差一起取平均，实际上会根据各目标的单位、尺度和观测数量赋予不同权重。一个汇总值可能掩盖模型在某个目标上的不佳表现。\n\n**报告值的不确定性。**样本 MAE 本身也是一个统计估计量。其标准误取决于绝对误差的变异性及相互依赖关系。平均误差的置信区间不同于单个未来结果的预测区间。"
    }
  ],
  "links": [
    "absolute-value",
    "statistics",
    "machine-learning",
    "loss-function",
    "expected-value",
    "random-variable",
    "law-of-large-numbers",
    "norm-mathematics",
    "triangle-inequality",
    "median",
    "mean-squared-error",
    "linear-regression",
    "convex-function",
    "linear-programming",
    "maximum-likelihood-estimation",
    "laplace-distribution",
    "quantile",
    "time-series",
    "training-data",
    "cross-validation",
    "standard-error",
    "confidence-interval"
  ],
  "sources": [],
  "license": "https://creativecommons.org/licenses/by/4.0/"
}