平均绝对误差 (MAE)

Parent: ai_keywords

平均绝对误差 (Mean Absolute Error, MAE)

核心定义

平均绝对误差是回归模型中预测值 (\hat{y}i) 与真实值 (y_i) 之间绝对偏差的平均值，其数学表达式为： [ \text{MAE} = \frac{1}{n} \sum{i=1}^{n} |y_i - \hat{y}_i| ] MAE 以原始数据单位度量误差，直观反映预测与真实值之间的平均绝对偏离程度，对异常值具有天然鲁棒性（相比均方误差不受平方放大影响），是评估数值预测性能的核心指标。

关键技术点

  1. 对异常值的鲁棒性：MAE 使用绝对值运算，误差增长为线性，不会因单个离群点（如电极噪声伪迹）导致指标剧烈波动；而均方误差（MSE）因平方项会过度惩罚大偏差，适合需要抑制大误差的场景。

  2. 量纲一致性：MAE 的单位与目标变量相同，临床医生可直接理解其临床意义（例如预测脑卒中运动功能评分偏差 3.2 分），而均方根误差（RMSE）虽单位一致但受平方根影响，MSE 单位被平方。

  3. 非光滑性：MAE 在零点不可导，在基于梯度下降的优化中需引入次梯度或平滑近似（如 Huber 损失），故部分深度学习任务更倾向使用 MSE 作为损失函数，但 MAE 在模型评估中仍不可或缺。

  4. 与 RMSE 的互补关系：当 MAE 显著小于 RMSE 时（RMSE ≥ MAE 恒成立），表明预测误差分布中存在较大离群值；两者差值越大，离群影响越明显，可用于诊断模型稳健性。

医学/神经科学应用场景

脑卒中后运动功能恢复预测（基于首都医科大学神经病学团队的临床研究背景）

首都医科大学宣武医院神经内科团队针对急性缺血性脑卒中患者，构建基于 MRI 弥散张量成像（DTI）与临床量表（Fugl-Meyer 评分）的深度学习预测模型。模型输出患者 3 个月后上肢运动功能评分（0-66 分）。在验证集中，MAE 被选为主要评估指标：

  • 场景价值：MAE 直接报告预测值与康复医师实际评分的平均绝对偏差（单位：分）。若 MAE = 4.3，则平均每个病例的预测误差在 4.3 分以内，临床可据此判断模型是否具备辅助分层康复的可靠性。
  • 优势体现：脑卒中康复数据中常因患者依从性差异或评估者间信度波动产生少量极端值（如随访脱落或误评），MAE 的鲁棒性避免了这些异常点对模型评价的过度干扰，更真实反映模型对绝大多数患者的预测精度。
  • 决策落地：结合 MAE 与 Bland-Altman 分析，团队可设定 5 分以内的允许误差窗口，筛选出适合临床部署的预训练模型，实现 AI 辅助的个体化康复方案制定。