1 定义与基本概念
1.1 平均绝对误差的定义
平均绝对误差是用于衡量一组预测值与对应真实值之间平均偏差大小的指标，通常记作 MAE。它先计算每个样本的预测误差，再取误差绝对值，最后对所有样本求平均。由于结果直接对应“平均偏离了多少”，MAE 常被视为一种直观、易理解的评价方式。
1.2 误差、残差与绝对值的关系
在预测问题中，误差通常指预测值与真实值之间的差。若从统计建模角度讨论，残差多用于表示样本观测值与模型拟合值之间的差异。MAE 对这些差值取绝对值，意味着无论高估还是低估，只要偏离程度相同，在指标中都会得到相同的贡献。
1.3 MAE 的直观含义
MAE 可以理解为“平均错多少”。例如，若某个房价预测模型的 MAE 为 5 万元，通常可解释为模型在样本上的平均预测偏差约为 5 万元。它不强调偏差方向，而强调偏差幅度，因此在汇报结果时十分直观。
1.4 与其他误差指标的区别
MAE 与多种误差度量都有关联，但侧重点不同。它关注绝对偏差，强调平均偏离程度；而其他指标可能更重视大误差、比例误差或统计分布性质。
1.4.1 与均方误差的区别
均方误差会将误差平方后再求平均，因此对较大的偏差惩罚更强。相比之下，MAE 的增长更平缓，单个异常点对整体结果的拉动通常没有那么明显。因此，当希望避免少数大误差过度影响评价时，MAE 更常被采用。
1.4.2 与均方根误差的区别
均方根误差与均方误差密切相关，本质上是对平方误差平均后再开平方。它与 MAE 一样具有原始数据的量纲，但 RMSE 对大误差更敏感。若模型存在少量极端偏差，RMSE 往往会显著升高，而 MAE 的变化一般更温和。
1.4.3 与平均绝对百分比误差的区别
平均绝对百分比误差关注相对偏差，即误差占真实值的比例。MAE 则直接使用原始单位，因此更适合衡量绝对量上的偏差。前者便于跨尺度比较，后者更适合强调实际意义和量纲一致性。
2 数学表达与计算方法
2.1 离散样本下的计算公式
| 对于包含 n 个样本的预测任务，MAE 通常表示为所有样本绝对误差的算术平均。设真实值为 y_i，预测值为 ŷ_i，则指标可写为各样本 | y_i - ŷ_i | 的平均值。 |
|---|
2.1.1 单个样本误差的求取
单个样本的误差等于真实值减去预测值，或者预测值减去真实值，具体写法只会影响符号，不影响绝对值结果。由于 MAE 关注偏差大小，符号信息会在取绝对值时被消除。
2.1.2 多样本平均的求取
在多样本情况下，先分别求出每个样本的绝对误差，再将这些值相加并除以样本数。这样得到的结果反映了整体平均偏差，而不是某一个样本的局部表现。
2.2 连续情形下的表示
当讨论连续随机变量或概率分布时，MAE 可被看作绝对损失的期望值。此时不再是简单的样本平均，而是对误差分布下的绝对偏差进行积分或期望计算，常用于理论分析与统计推导。
2.3 加权平均绝对误差
在某些任务中，不同样本的重要程度并不相同，此时可引入权重形成加权 MAE。权重较大的样本会对最终结果产生更大影响，适合用于样本价值不均、类别重要性不同或时间优先级不同的情境。
2.4 分组数据中的计算方式
分组计算常用于批量评估或局部监测。通过在子集内分别统计 MAE，可以观察模型在不同阶段、不同类别或不同时间区间中的表现差异。
2.4.1 按批次计算
在批处理场景中，MAE 可按数据批次逐段计算，再进一步汇总。这样做有助于监控训练过程、比较不同批次的误差波动，也便于发现局部数据分布变化。
2.4.2 按时间序列窗口计算
在时间序列任务里，常使用滑动窗口或固定窗口计算 MAE，以观察模型在不同时间段的预测稳定性。若误差随窗口变化明显，往往提示数据存在趋势漂移、季节性变化或结构性偏移。
3 性质与统计特征
3.1 取值范围与单位
MAE 的最小值为 0，表示预测与真实值完全一致。其上界通常没有固定限制，具体取决于数据范围。MAE 的单位与原始变量一致，因此数值本身只有结合数据尺度才能准确理解。
3.2 对异常值的敏感性
与平方类指标相比，MAE 对异常值的敏感性较低。极端偏差仍会增大结果，但不会像平方误差那样被进一步放大。这使得 MAE 在存在少量离群点时，往往更能反映“典型误差”水平。
3.3 稳健性与可解释性
由于采用绝对值形式，MAE 具有较好的稳健性，且解释简单直接。对于非专业读者来说，理解“平均差了多少”比理解平方误差更容易，因此它在报告和沟通中十分常见。
3.4 线性损失特征
MAE 对误差的惩罚是线性的。也就是说，误差增加一倍，损失项通常也近似增加一倍。这种线性特征使其不会对大误差过度施压，但也意味着在优化过程中对极端偏差的纠正力度较弱。
3.5 与中位数绝对偏差的联系
MAE 与中位数绝对偏差都涉及绝对偏差的思想，但关注点不同。中位数绝对偏差更强调分布中心的稳健离散程度，而 MAE 更多用于评价预测结果与真实值之间的平均偏离。二者都具有一定稳健性，但应用目标并不相同。
4 应用领域
4.1 机器学习回归任务
在回归问题中，MAE 是最常用的指标之一。它适合评价连续数值预测模型，例如房价、销量、温度或用户评分等任务。
4.1.1 房价预测
房价预测中，MAE 能直接反映平均预测偏差的货币金额。由于结果与原始单位一致，开发者和业务人员都容易据此判断模型是否可用。
4.1.2 需求预测
在库存、流量或销量预测里，MAE 可用于衡量平均预测偏离量。若预测误差较小，通常意味着备货、调度或资源分配更稳定。
4.1.3 评分与推荐系统
在评分预测场景中，MAE 经常用来比较模型对用户评分的拟合程度。由于评分尺度通常较固定，MAE 的变化便于直观比较不同算法的效果。
4.2 统计建模与回归分析
在统计回归中，MAE 可作为拟合优度的补充指标。它能反映模型在样本层面的平均偏差，帮助分析不同自变量组合、回归形式或参数设定下的预测表现。
4.3 时间序列预测
时间序列预测经常采用 MAE 来衡量未来值估计的准确度。无论是短期波动还是长期趋势，只要预测目标是连续数值，MAE 都能较直接地给出平均偏离水平。
4.4 工程测量与信号处理
在工程测量中，MAE 可用于比较传感器读数与参考值之间的偏差。在信号处理里，它也常被用来评估重建信号、滤波结果或估计值与真实信号之间的接近程度。
4.5 经济与金融预测
在经济指标和金融序列的预测中，MAE 常用于评价价格、收益、需求或宏观变量的估计误差。由于其单位与原始序列一致，便于将误差大小转化为实际业务含义。
5 评估与比较
5.1 作为模型评价指标的优点
MAE 的主要优点是直观、稳定、易解释。它不容易被少数极端样本严重扭曲，也便于在不同模型之间进行初步比较，因此在实验报告和基线评估中应用广泛。
5.2 作为模型评价指标的局限
MAE 也存在局限。它对大误差的惩罚不够强，可能掩盖个别严重偏差；同时，不同数据集的量纲差异会影响其可比性。若仅使用 MAE，容易忽略误差分布中的尾部风险。
5.3 与训练目标函数的关系
在实际建模中，评价指标与训练目标函数不一定完全一致。某些模型虽然以平方误差训练，但最终仍用 MAE 评价；也有模型直接采用绝对损失进行优化。指标与目标的选择，往往取决于任务对稳健性、可解释性和大误差控制的平衡。
5.4 多指标联合评价
为了更全面地理解模型表现，常将 MAE 与其他指标结合使用。这样既能看到平均偏差，也能了解大误差和拟合程度。
5.4.1 MAE 与 RMSE 联合使用
MAE 与 RMSE 同时使用时，前者反映典型误差水平，后者更能揭示大偏差是否存在。若 RMSE 明显高于 MAE，通常说明数据中可能有少量较大的预测失误。
5.4.2 MAE 与决定系数联合使用
决定系数可用于观察模型对总体变异的解释程度，而 MAE 则提供偏差大小的直接量化。两者结合时，既能看模型“解释了多少”，也能看“平均错了多少”。
6 变体与扩展形式
6.1 标准化平均绝对误差
标准化 MAE 通常通过某种尺度因子对 MAE 进行归一化，以便在不同数据集或不同变量之间比较。常见做法包括除以均值、标准差或取值范围等。
6.2 相对平均绝对误差
相对 MAE 强调误差相对于基准值或参考模型的变化幅度。它适用于比较优化前后改进程度，或衡量某种方法相对基线的提升。
6.3 截尾平均绝对误差
截尾 MAE 会在计算前剔除部分极端误差，或仅保留中间区间样本。这样做可以进一步降低离群点影响，但也可能掩盖真实存在的大偏差。
6.4 分位数相关的绝对误差度量
与分位数回归相关的绝对误差度量，常用于描述不同分位水平下的预测偏差。它适合在关注预测区间、风险边界或非对称误差时使用。
7 相关算法与优化
7.1 基于 MAE 的参数优化
将 MAE 作为目标函数时，参数优化的核心就是最小化绝对偏差总和。相比使用平方损失，这类优化通常对异常值更不敏感，但求解过程可能更复杂。
7.2 绝对值函数的可导性问题
绝对值函数在误差为零的位置不可导，这给基于梯度的方法带来一定困难。尽管如此，在大多数数值优化框架中，这一问题可以通过次梯度或平滑化处理得到解决。
7.3 次梯度方法
当目标函数包含绝对值项时，次梯度方法是一类常见工具。它允许在不可导点附近使用广义导数信息进行迭代更新，从而求得近似最优解。
7.4 数值优化中的处理技巧
实际计算 MAE 相关问题时，常结合多种数值技巧，以提高收敛速度和稳定性。
7.4.1 平滑近似
平滑近似通过用可导函数替代绝对值函数，使优化过程更容易使用标准梯度算法。虽然会引入一定近似误差，但通常能改善计算效率。
7.4.2 迭代求解方法
在一些模型中，最优参数需要通过迭代方式逐步更新。常见方法包括坐标下降、交替优化和基于近端思想的算法，适用于大规模数据或复杂约束条件。
8 结果解读与实践注意事项
8.1 如何解读 MAE 数值
解读 MAE 时，应先结合变量本身的单位和业务背景。数值越小通常代表平均偏差越低，但是否“足够好”仍要看任务容忍度、历史基线和实际应用目标。
8.2 数据尺度对 MAE 的影响
MAE 与数据尺度直接相关。若目标值本身数值较大，MAE 也可能较大；若变量经过缩放或标准化，MAE 的数值含义会随之改变。因此跨数据集比较时，必须关注尺度是否一致。
8.3 缺失值与异常值处理
在计算 MAE 前，通常需要先处理缺失值和明显异常值。缺失样本若处理不当，会影响平均值的代表性；异常点则可能扭曲对模型实际能力的判断。
8.4 不同数据集间的可比性
直接比较不同数据集上的 MAE 往往并不公平，因为各自的单位、范围和噪声水平可能不同。若需要跨数据集比较，通常应结合标准化指标或相对指标一起分析。
8.5 常见误区
MAE 虽然简单，但在使用时也容易出现理解偏差。最常见的问题是把它当作百分比误差，或者忽视其对量纲的依赖。
8.5.1 将 MAE 与百分比误差混淆
MAE 不是百分比指标，不表示相对误差大小。它反映的是绝对偏差，因此不能直接用“百分之多少”来解释。
8.5.2 忽略变量量纲影响
如果不考虑单位差异，MAE 的数值很容易被误读。相同的 MAE 在元、万元、毫米或秒等不同单位下，实际意义可能完全不同。