Erro absoluto médio explicado: Medindo a precisão do modelo

Então você rodou um modelo e agora precisa avaliá-lo. Escolher a métrica certa pode ser meio confuso, porque tem várias opções, tipo MAE, MSE, RMSE e outras. 

Todas essas métricas medem erros, mas contam histórias um pouco diferentes sobre o desempenho do seu modelo. Neste artigo, vamos focar em um erro comum que você precisa conhecer como cientista de dados: o erro absoluto médio (MAE). Como você vai ver, o MAE dá uma visão direta da precisão da previsão, sem complicar muito as coisas.

O que é o erro absoluto médio (MAE)?

Quando você precisa de uma maneira clara de medir a precisão das suas previsões, o erro absoluto médio é um bom ponto de partida. Ele te diz, em média, o quanto as previsões do seu modelo estão longe dos valores reais, sem se preocupar se essas previsões estavam muito altas ou muito baixas.

Nessa equação, n é o número total de previsões. O valor absoluto, que você pode ver com as barras verticais, garante que todos os erros sejam tratados como positivos, de modo que tanto as previsões acima quanto abaixo do valor real tenham o mesmo peso. É uma forma simples e direta de medir o erro médio de previsão do seu modelo, e é por isso que é tão usada.

Por que você deveria se importar com o MAE?

Já comecei a falar sobre tudo isso: O MAE é útil principalmente porque é fácil de entender. Se o seu MAE for 5, isso quer dizer que as previsões do seu modelo estão erradas em 5 unidades, em média.

Mas, pra entender isso, você precisa pensar no erro quadrático médio, que é o MSE, que dá mais peso pros erros grandes, elevando-os ao quadrado. Com o MSE, os valores atípicos podem distorcer muito a sua avaliação.

Como você calcula o MAE? (Com exemplo em Python)

Vamos ver um exemplo rápido usando Python. Imagina que você criou um modelo pra prever as vendas mensais e agora quer ver se ele tá certo. Veja como calcular o MAE:

import numpy as np

actual = np.array([100, 150, 200, 250])
predicted = np.array([110, 140, 210, 240])

mae = np.mean(np.abs(actual - predicted))
print("MAE:", mae)

MAE: 10.0

Esse código encontra a diferença absoluta entre cada valor real e previsto e, em seguida, calcula a média. O resultado (10,0 aqui) é o tamanho típico do erro de previsão.

Onde é usado o MAE?

Os varejistas costumam usar o MAE pra ver se as previsões deles estão bem próximas das vendas reais. Esse é um caso bem comum. Um MAE alto pode significar que o modelo precisa ser treinado de novo ou ajustado. Também consigo imaginar que, na área da saúde, o MAE possa medir o quão próximos os tempos de recuperação previstos estão dos resultados reais. Um MAE mais baixo dá mais confiança de que o modelo está produzindo estimativas úteis.

Esses são só alguns exemplos, mas o MAE pode ser usado em qualquer situação em que você esteja comparando valores numéricos previstos e reais. As possibilidades são muitas pra listar!

Como o MAE se compara a outras métricas?

O MAE não é a única maneira de avaliar o erro de previsão. Dependendo do tipo de erro que você mais se preocupa, outras métricas podem ser mais adequadas.

MAE vs. MSE

O MSE também analisa a diferença entre os valores previstos e os valores reais, mas eleva cada erro ao quadrado antes de calcular a média. Isso faz com que seja mais sensível a erros grandes. Se erros graves são mais importantes no seu caso, o MSE pode ser mais adequado.

MAE vs. RMSE

RMSE é a raiz quadrada do MSE. Ele coloca o erro de volta nas unidades originais, o que torna mais fácil de entender do que o MSE. Mas, assim como o MSE, ele dá mais peso a erros grandes.

Se você quer tratar todos os erros da mesma forma e manter as coisas simples, o MAE é uma boa escolha. Mas se você está mais preocupado com o impacto de erros graves, MSE ou RMSE podem ser mais adequados.

Conclusão

O MAE é uma forma clara e prática de ver o quanto suas previsões estão longe dos valores reais. É fácil de calcular, fácil de explicar e útil em várias aplicações.

Embora não destaque erros grandes como o MSE ou o RMSE, ele dá uma visão geral da precisão. Use isso quando quiser uma medida direta que não seja muito influenciada por alguns erros grandes.

Dito isso, você vai querer usar o MAE junto com outras métricas, principalmente quando comparar modelos ou ajustar o desempenho. Com o tempo, você vai saber quando o MAE é suficiente e quando outra métrica, como o , dá mais informações. Faça nosso curso Entendendo a Ciência de Dados e nosso curso Introdução à Regressão com statsmodels em Python para ajudar a desenvolver suas habilidades e sua intuição.