你在看預測成績單時，會不會想知道模型平均差了多少分？
你可以把平均絕對誤差想成，把每一次預測差距直接取絕對值，再算平均。 它重要在於，數字好懂、對離群值沒那麼敏感，很適合拿來看回歸模型的日常誤差。
你可以把它想成一個把抽象概念拉回日常判斷的提示，先知道它解決什麼問題，再看技術細節。
容易混淆
平均絕對誤差 vs 均方誤差
平均絕對誤差：每個誤差一視同仁，不把大錯特別放大。 均方誤差：把誤差平方後再平均，大錯會被懲罰得更重。 最關鍵的區別：前者偏穩健，後者偏嚴厲。
平均絕對誤差 vs 均方根誤差
平均絕對誤差：直接看平均偏差。 均方根誤差：先平方再開根號，會更在意大誤差。 最關鍵的區別：根號後的數值更偏向放大大錯。
記住這句就好
平均差多少就報多少，不把大錯額外放大。
實際案例
房價預測
如果模型預測每戶房價平均差 50 萬，MAE 就是 50 萬，讀起來很直觀，適合拿來跟業務溝通。
送貨時間預估
外送平台想知道平均晚到幾分鐘，MAE 很適合直接呈現平均偏差，而不是讓一兩筆超大延遲把結果拉歪。
算法與應用
MAE 的核心是絕對值，所以它對極端大誤差比較不敏感。 最佳化時通常比 MSE 更不平滑，某些情況下梯度會比較不好處理。 如果你更在意「平均差幾單位」，MAE 很合適。
情境判斷
Q1（情境題）： 模型偶爾會出現很離譜的預測值，你還想用 MAE 評估嗎？
→ 可以，MAE 對離群值比 MSE 穩健，常常更適合有少數極端值的任務。
Q2（情境題）： 如果你很怕大誤差，MAE 還是最佳選擇嗎？
→ 看情況。若大錯的代價特別高，MSE 或 RMSE 通常更能逼模型重視那些大偏差。
常見問題
MAE 的最小值是多少？
0，表示每一筆預測都完全命中真實值。
MAE 可以拿來做分類嗎？
通常不行。MAE 是給連續值回歸任務用的，分類更常看準確率、精確率、召回率和 F1 分數。
MAE 越小越好嗎？
一般是越小越好，但還是要跟任務尺度和基準模型一起看，不能只看單一數字。