Στα στατιστικά στοιχεία, κάνετε προβλέψεις με βάση τα δεδομένα που έχετε στη διάθεσή σας. Δυστυχώς, οι προβλέψεις δεν ταιριάζουν πάντα με τις πραγματικές τιμές που δημιουργούνται από τα δεδομένα. Η γνώση της διαφοράς μεταξύ των προβλέψεων και των πραγματικών τιμών των δεδομένων σας είναι χρήσιμη, καθώς μπορεί να σας βοηθήσει να βελτιώσετε τις μελλοντικές προβλέψεις και να τις κάνετε πιο ακριβείς. Για να μάθετε πόσο διαφορά υπάρχει μεταξύ των προβλέψεών σας και της πραγματικής παραγόμενης τιμής, πρέπει να υπολογίσετε το μέσο απόλυτο σφάλμα (επίσης γνωστό ως MAE) των δεδομένων.
Προτού μπορέσετε να υπολογίσετε το MAE των δεδομένων σας, πρέπει πρώτα να υπολογίσετε το άθροισμα των απόλυτων σφαλμάτων (SAE). Ο τύπος για το SAE είναι
το οποίο μπορεί να φαίνεται αρχικά συγκεχυμένο εάν δεν έχετε συνηθίσει τη σημειογραφία. Ωστόσο, η πραγματική διαδικασία είναι αρκετά απλή.
Αφαιρέστε την πραγματική τιμή (δηλώνεται από τοΧτ) από τη μετρούμενη τιμή (υποδεικνύεται απόΧΕγώ), πιθανόν να δημιουργήσετε αρνητικό αποτέλεσμα ανάλογα με τα σημεία δεδομένων σας. Πάρτε την απόλυτη τιμή του αποτελέσματος για να δημιουργήσετε έναν θετικό αριθμό. Για παράδειγμα, εάν
ΧΕγώ είναι 5 καιΧτ είναι 7:Επαναλάβετε αυτήν τη διαδικασία για κάθε σύνολο μετρήσεων και προβλέψεων στα δεδομένα σας. Ο αριθμός των σετ υποδηλώνεται απόνστον τύπο, με το
υποδεικνύοντας ότι η διαδικασία ξεκινά στο πρώτο σετ (Εγώ= 1) και επαναλαμβάνει συνολικάνφορές. Στο προηγούμενο παράδειγμα, ας υποθέσουμε ότι τα προηγούμενα σημεία που χρησιμοποιήθηκαν ήταν ένα στα 10 ζεύγη σημείων δεδομένων. Εκτός από τα 2 που δημιουργήθηκαν προηγουμένως, τα υπόλοιπα σετ σημείων δημιουργούν απόλυτες τιμές 1, 4, 3, 4, 2, 6, 3, 2 και 9.
Μόλις υπολογίσετε το SAE, πρέπει να βρείτε τη μέση ή μέση τιμή των απόλυτων σφαλμάτων. Χρησιμοποιήστε τον τύπο
για να πάρει αυτό το αποτέλεσμα. Μπορεί επίσης να δείτε τους δύο τύπους να συνδυάζονται σε έναν, ο οποίος μοιάζει
αλλά δεν υπάρχει λειτουργική διαφορά μεταξύ των δύο.
Διαιρέστε το SAE σας μεν, το οποίο όπως αναφέρθηκε παραπάνω είναι ο συνολικός αριθμός συνόλων σημείων στα δεδομένα σας. Συνεχίζοντας με το προηγούμενο παράδειγμα, αυτό μας δίνει
Στρογγυλοποιήστε το σύνολο σας σε έναν καθορισμένο αριθμό σημαντικών ψηφίων, εάν απαιτείται. Δεν υπάρχει ανάγκη για αυτό στο παράδειγμα που χρησιμοποιήθηκε παραπάνω, αλλά ένας υπολογισμός που παρέχει αριθμούς όπως MAE = 2.34678361 ή ένα επαναλαμβανόμενο σχήμα μπορεί να χρειαστεί στρογγυλοποίηση σε κάτι πιο διαχειρίσιμο, όπως MAE = 2.347. Ο αριθμός των τελικών ψηφίων που χρησιμοποιούνται εξαρτάται από τις προσωπικές προτιμήσεις και τις τεχνικές προδιαγραφές της εργασίας που κάνετε.