---
title: "平均絕對誤差（Mean Absolute Error）"
slug: mean-absolute-error
language: zh-TW
source: https://aiterms.tw/terms/mean-absolute-error
updated_at: 2026-04-29
tags: [機器學習, 模型評估, 統計方法, 模型訓練, 資料處理]
ipas_term: false
---

# 平均絕對誤差（Mean Absolute Error）

> **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

> **Q：MAE 的最小值是多少？**
>
> 0，表示每一筆預測都完全命中真實值。

> **Q：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。

> **Q：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。

### 相關術語

> - **均方誤差**：先看懂這個，再比較大錯懲罰的差異。
> - **均方根誤差**：常和 MAE 一起拿來看回歸誤差。
> - **損失函數**：MAE 也可以直接拿來當訓練目標。
> - **偏差**：誤差大不大，常和偏差高低一起看。
> - **線性迴歸法**：這是 MAE 最常一起出現的回歸入門概念。

---

來源：https://aiterms.tw/terms/mean-absolute-error
快查頁：https://aiterms.tw/terms/mean-absolute-error
最後更新：2026/04/29
深度解說：https://aiterms.tw/learning/what-is-mean-absolute-error