MAE (Mean Absolute Error)

El Error Absoluto Medio es la forma más intuitiva de medir el error de un modelo. Responde a la pregunta: "En promedio, ¿por cuánto se equivoca mi modelo?"

La fórmula

MAE = \frac{1}{n} \sum_{i=1}^{n} |y_i - \hat{y}_i|

¿Qué significa cada parte?

$n$ — Número total de observaciones (cuántos datos tienes)
$y_i$ — Valor real de la observación $i$
$\hat{y}_i$ — Valor predicho por el modelo para la observación $i$
$|y_i - \hat{y}_i|$ — Error absoluto (diferencia sin signo)
$\sum$ — Suma de todos los errores
$\frac{1}{n}$ — Dividimos para obtener el promedio

Ejemplo numérico

Si tienes 3 casas con precios reales de $100k, $200k, $150k y tu modelo predice $110k, $180k, $160k:

Casa	Real (y)	Predicho (y hat)	Error absoluto
1	100k	110k	10k
2	200k	180k	20k
3	150k	160k	10k

$MAE = \frac{10 + 20 + 10}{3} = \frac{40}{3} \approx 13.33k$

Tu modelo se equivoca, en promedio, por $13,330.

Implementación

Minerva proporciona el método MAE en la clase RegressionMetrics. Si vienes de Python con scikit-learn, la equivalencia es directa:

MinervaMAE.java

import com.minerva.metrics.RegressionMetrics.RegressionMetrics;
 
RegressionMetrics metrics = new RegressionMetrics();
double mae = metrics.MAE(actual, predicted);

API Reference

`MAE(Vector actual, Vector predicted)`

Example.java

double mae = metrics.MAE(actual, predicted);

Parámetro	Tipo	Descripción
`actual`	`Vector`	Valores reales
`predicted`	`Vector`	Valores predichos

Retorna: double

Interpretación

Aspecto	Valor
Rango	[0, inf)
Mejor valor	0
Unidades	Las mismas que y

¿Cuándo usar MAE?

Recomendado:

Cuando quieres un error fácil de interpretar
Cuando los outliers no son tan importantes
Cuando necesitas comunicar el error a no-técnicos

No recomendado:

Cuando quieres penalizar más los errores grandes (usa MSE o RMSE)