Una de las métricas más utilizadas por su simplicidad e interpretación intuitiva es el Error Absoluto Medio (Mean Absolute Error o MAE). Esta métrica calcula el error promedio cometido por un modelo sin penalizar especialmente los errores grandes, proporcionando una medida fácil de comprender y comunicar.

¿Qué es el MAE?

El Error Absoluto Medio mide la diferencia promedio entre los valores reales y las predicciones realizadas por el modelo.

Para calcularlo:

1. Se obtiene la diferencia entre el valor real y el valor predicho.
2. Se toma el valor absoluto de cada diferencia.
3. Se calcula la media de todos los errores absolutos.

Su fórmula es:

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

Donde:

• n = número de observaciones.
• yᵢ = valor real.
• ŷᵢ = valor predicho.
• |yᵢ − ŷᵢ| = error absoluto.

¿Por Qué Utiliza Valores Absolutos?

Supongamos que tenemos dos predicciones:

Si calculáramos la media de los errores:

$$\frac{10 + (-10)}{2}=0$$

Obtendríamos un error promedio igual a cero, lo cual sería incorrecto. Al utilizar el valor absoluto, ambos errores contribuyen positivamente al resultado final.

$$|10| = 10$$

$$|-10| = 10$$

Cómo Interpretar el MAE

La principal ventaja del MAE es su facilidad de interpretación. El resultado se expresa en las mismas unidades que la variable objetivo. Por ejemplo: Si estamos prediciendo precios de viviendas en miles de euros:

MAE = 15

MAE = 15

significa que el modelo se equivoca aproximadamente en 15 mil euros por predicción. Si estamos prediciendo ventas:

MAE = 50

MAE = 50

significa que las predicciones presentan un error promedio de 50 unidades.

Ventajas del MAE

• Interpretación sencilla: El resultado se expresa en las mismas unidades de la variable objetivo. Esto facilita enormemente la comunicación de resultados a usuarios de negocio.
• Fácil de calcular: Su fórmula es simple y computacionalmente eficiente.
• Menor sensibilidad a valores atípicos: A diferencia del MSE, el MAE no eleva los errores al cuadrado. Por tanto, los errores extremos tienen menos influencia sobre la métrica.
• Robusto frente a Outliers: Cuando el conjunto de datos contiene valores atípicos, el MAE suele proporcionar una visión más estable del rendimiento general del modelo.

Limitaciones del MAE

• No penaliza especialmente los errores grandes: Todos los errores contribuyen de forma proporcional. Esto puede resultar problemático en situaciones donde los errores grandes tienen un coste elevado.
• Puede ocultar errores extremos: Dos modelos pueden tener el mismo MAE aunque uno de ellos cometa errores muy grandes en algunas observaciones. Por este motivo suele utilizarse junto con otras métricas.

Comparación entre MAE y MSE

¿Cuándo utilizar MAE?

El MAE suele ser una buena elección cuando:

• Queremos una métrica fácil de interpretar.
• Los errores grandes no son especialmente críticos.
• Existen valores atípicos en los datos.
• Necesitamos comunicar resultados a perfiles no técnicos.

Es especialmente frecuente en:

• Predicción de ventas.
• Forecasting de demanda.
• Estimación de precios.
• Modelos financieros.
• Analítica empresarial.

Cálculo del MAE en Python

Scikit-Learn proporciona la función mean_absolute_error() para calcular esta métrica.

from sklearn.metrics import mean_absolute_error

mae = mean_absolute_error(y_test, y_pred)

print(f"MAE: {mae:.2f}")

from sklearn.metrics import mean_absolute_error

mae = mean_absolute_error(y_test, y_pred)

print(f"MAE: {mae:.2f}")

Ejemplo Completo

from sklearn.metrics import mean_absolute_error

y_true = [100, 150, 200]
y_pred = [90, 160, 180]

mae = mean_absolute_error(y_true, y_pred)

print(mae)

from sklearn.metrics import mean_absolute_error

y_true = [100, 150, 200]
y_pred = [90, 160, 180]

mae = mean_absolute_error(y_true, y_pred)

print(mae)

13.33

13.33

Esto significa que las predicciones se desvían en promedio aproximadamente 13.33 unidades respecto a los valores reales.

MAE vs RMSE

Las dos métricas suelen utilizarse juntas.

El MAE proporciona una visión del error medio general, mientras que el RMSE permite detectar si existen errores especialmente grandes que puedan estar afectando al modelo.

Conclusión

El Error Absoluto Medio (MAE) es una de las métricas más utilizadas para evaluar modelos de regresión debido a su simplicidad y facilidad de interpretación. Al medir el promedio de los errores absolutos, proporciona una estimación clara de cuánto se desvían las predicciones respecto a los valores reales. A diferencia del MSE, no penaliza excesivamente los errores grandes, lo que lo convierte en una opción robusta cuando existen valores atípicos o cuando se busca una métrica comprensible para usuarios de negocio. Por este motivo, el MAE suele formar parte del conjunto básico de métricas utilizadas para evaluar y comparar modelos de Machine Learning.