回帰モデルの誤差指標には「二乗する派」のMSEと並んで、「絶対値で測る派」のMAEがあります。二乗しないことで何が変わるのでしょうか。この記事では、平均絶対値誤差(MAE)の計算方法と、外れ値に対する影響が小さいという持ち味、MSEとの使い分けを解説します。
📖 ひと言でいうと
平均絶対値誤差(MAE)とは、予測値と実測値の差の絶対値を平均した回帰モデルの評価指標です。例えるなら、配達の到着時刻予測を採点するときに「早くても遅くても、ズレた分数をそのまま数えて平均する」やり方です。5分のズレは5点分、50分のズレは50点分と、ズレの大きさに正比例した素直な採点になるため、たった1回の大遅延に採点全体が振り回されにくいのが特徴です。
🖼 1枚でわかる平均絶対値誤差
📘 公式テキストの説明
平均絶対値誤差（MAE：Mean Absolute Error）は、予測値と実測値の差の絶対値を平均したものであり、誤差の方向に関係なく、誤差が線形に評価されるため外れ値に対する影響が小さくなる。これにより、MAEはより「実際の誤差幅」を表す指標とされ、過度な外れ値が存在する場合や、比較的リニアな誤差評価が求められる際に適している。
かみ砕くと、各データの「予測値 − 実測値」の符号を絶対値で外し、そのまま平均する指標です。「誤差が線形に評価される」とは、誤差が2倍になればペナルティもちょうど2倍になる、という意味です。MSEのように二乗で大きな誤差を余計に重くしないので、外れ値が1つ混ざっても指標全体が引きずられにくく、日々の「普通の外れ方」を素直に表す数字になります。
🔍 しっかり理解する
計算式と手順
データがn個あり、i番目の実測値をy_i、予測値をyhat_iとすると、プレーンテキストで次のように書けます。
MAE = (1/n) × Σ |y_i − yhat_i| (Σはi=1からnまでの合計、| |は絶対値)
MSEとの手順の違いは「二乗するか、絶対値を取るか」の1点だけです。しかしこの1点が、外れ値への感度という指標の性格を大きく分けます。
「線形に評価される」とはどういうことか
MAEでは、誤差1はペナルティ1、誤差10はペナルティ10です。誤差の大きさとペナルティが正比例(線形)の関係にあります。一方MSEでは、誤差1はペナルティ1ですが誤差10はペナルティ100と、大きな誤差ほど不釣り合いに重くなります。
この違いから、外れ値が混じったときの挙動が変わります。100件中99件の誤差が1で、1件だけ誤差100だったとすると、MAEは (99×1 + 100)/100 = 1.99 と、外れ値込みでも「普通はだいたい2くらい外れる」という実感に近い値になります。同じデータのMSEは (99×1 + 10000)/100 = 100.99 で、ほぼ外れ値1件だけで決まってしまいます。MAEが「実際の誤差幅」を表す指標とされるのはこのためです。
MSEとの使い分け
- 誤差の絶対値をそのまま平均
- 誤差とペナルティが正比例(線形)
- 外れ値に対する影響が小さい
- 「実際の誤差幅」の実感に近い値
- 誤差を二乗してから平均
- 大きな誤差ほど不釣り合いに重い
- 外れ値の影響を受けやすい
- 大外れを厳しく罰したい場合に向く
公式テキストのとおり、MAEは「過度な外れ値が存在する場合や、比較的リニアな誤差評価が求められる際」に適しています。逆に、大きな外しを特に強く避けたいタスクでは、あえて外れ値に敏感なMSE(やRMSE)を選ぶ方が目的に合います。指標の優劣ではなく、「誤差をどう罰したいか」で選ぶのがポイントです。なおMAEは絶対値を平均するだけなので、単位は最初から元のデータと同じです。RMSEのように平方根で単位を戻す操作は必要ありません。
💡 具体例で考える
タクシー配車アプリの「到着までの待ち時間予測」を評価する場面を考えましょう。100回の配車のうち99回は予測が±2分以内に収まっていたものの、1回だけ大規模な事故渋滞に巻き込まれ、予測より40分遅れたとします。
MSEで評価すると、この1回の二乗誤差1600(分の二乗)が平均を支配し、「このモデルは大きく外れる」という印象の数値になります。しかしユーザー体験の実態は「ほぼ毎回2分以内、ごくまれに大外れ」です。MAEなら (99回×約2分 + 40分)/100 ≒ 2.4分となり、「普段の誤差幅は2分ちょっと」という実態をよく表します。渋滞のような予測不能の外れ値が避けられないサービスで、日常的な精度を測りたいならMAEが適切です。一方、40分の大外れこそ絶対に減らしたい(大遅延1回の損失が大きい)という方針なら、大誤差を重く数えるMSE系で評価する方が改善の方向性と一致します。
⚠️ よくある誤解・紛らわしい用語
- MSEとの違いの取り違え: 「絶対値で平均=MAE」「二乗して平均=MSE」です。外れ値の影響が小さいのはMAE、受けやすいのはMSE。この対応を逆にした選択肢が典型的なひっかけです。
- 「外れ値を無視する」わけではない: MAEも外れ値を計算に含めます。影響が「小さい」のは二乗で膨らまないためであり、外れ値を除外する前処理とは別の話です。
- RMSEとの混同: RMSEはMSEの平方根で、MAEと同じく元のデータと同じ単位になりますが、内部で二乗しているため外れ値への感度はMAEより高いままです。「単位が同じ=性質も同じ」ではありません。
- 平均誤差(符号付き)との違い: 絶対値を取らずに誤差をそのまま平均すると、正負が打ち消し合って見かけ上0に近づくことがあります。MAEは絶対値を取ることでこの打ち消しを防いでいます。
📝 試験でのポイント
- 「差の絶対値を平均」「誤差が線形に評価される」「外れ値に対する影響が小さい」という3点セットが定義の核として問われやすいポイントです。
- MSE・RMSE・MAEを並べ、外れ値への敏感さの順序や計算方法の違いから正しい記述を選ばせる形式が想定されます。
- 「過度な外れ値が存在する場合に適している」という適用場面の記述から指標名を答えさせる出題も考えられます。
- 略称の展開(Mean Absolute Error)と日本語名の対応を確認しておきましょう。
📚 まとめ
平均絶対値誤差(MAE)は、予測値と実測値の差の絶対値を平均した回帰の評価指標です。誤差の方向に関係なく線形に評価するため外れ値に対する影響が小さく、「実際の誤差幅」の実感に近い値が得られます。過度な外れ値があるデータや、リニアな誤差評価が求められる場面に適しており、大外れを重く罰したいときは二乗系のMSE/RMSEを選ぶ、という使い分けで整理しておきましょう。
