機械学習やAIで「どれくらい予測が当たっているのか」を評価する際に欠かせないのが誤差指標です。
その中でも、最もシンプルで直感的に理解しやすい指標が**平均絶対誤差（MAE：Mean Absolute Error）**です。
本記事では、MAEの基本的な考え方から計算方法、メリット・デメリット、さらに他の代表的な誤差指標との違いまでを、実務目線でわかりやすく解説します。
平均絶対誤差（MAE）とは？
平均絶対誤差（MAE）とは、予測値と実際の値（真値）のズレの大きさを平均したものです。
具体的には、各データにおける誤差の「絶対値」を取り、その平均を計算します。
- 誤差 ＝ 予測値 − 真値
- MAE ＝ 誤差の絶対値の平均
ポイント
- 値が小さいほど予測精度が高い
- 完全に一致すれば「0」になる
MAEの計算方法
MAEは次の手順で求められます。
- 各データの予測値と真値の差を求める
- 差の絶対値を取る
- それらをすべて平均する
例で理解する
| データ | 真値 | 予測値 | 絶対誤差 |
|---|---|---|---|
| A | 100 | 90 | 10 |
| B | 200 | 210 | 10 |
| C | 300 | 280 | 20 |
この場合、
MAE ＝（10 + 10 + 20）÷ 3 ＝ 約13.3
つまり、平均して約13.3のズレがあることを意味します。
MAEの特徴とメリット
1. 直感的に理解しやすい
MAEは「平均でどれくらいズレているか」をそのまま表すため、専門知識がなくても理解しやすいのが特徴です。
2. 外れ値の影響を受けにくい
誤差を二乗しないため、極端に大きな誤差（外れ値）に引っ張られにくいというメリットがあります。
3. 元データと同じ単位で評価できる
MAEの値は、真値や予測値と同じ単位になります。
- 売上予測 → 「円」
- 気温予測 → 「℃」
そのため、ビジネス現場でも解釈しやすい指標です。
MAEのデメリットと注意点
大きな誤差を特別扱いしない
MAEはすべての誤差を同じ重みで扱います。
そのため、
- 小さな誤差も大きな誤差も同等に扱う
- 重大な予測ミスを強く評価したい場合には不向き
他の誤差指標との違い
予測モデルの評価では、MAE以外にも複数の指標が使われます。
目的に応じて使い分けることが重要です。
平均二乗誤差（MSE）との違い
- MAE：誤差の絶対値を平均
- MSE：誤差を二乗して平均
違いのポイント
- MSEは大きな誤差を強くペナルティ化する
- MAEは外れ値に強く、安定した評価が可能
平均絶対パーセント誤差（MAPE）との違い
- MAE：誤差の大きさ（絶対値）
- MAPE：誤差を割合（%）で表す
使い分け
- MAE：実数ベースで評価したい場合
- MAPE：異なるスケールのデータを比較したい場合
実務での活用シーン
MAEは次のような場面でよく利用されます。
代表例
- 売上予測（どれくらいズレているかを把握）
- 需要予測（在庫管理など）
- 気温や株価などの時系列予測
MAEを使う際のポイント
実務では、MAE単体ではなく複数の指標を組み合わせて評価するのが一般的です。
おすすめの使い方
- MAE + MSE → 外れ値の影響も確認
- MAE + MAPE → 相対的な誤差も把握
まとめ
平均絶対誤差（MAE）は、予測モデルの精度を評価するうえで非常にシンプルで使いやすい指標です。
重要なポイントを整理すると：
- MAEは「予測値と真値のズレの平均」を表す
- 値が小さいほど精度が高い
- 直感的で理解しやすい
- 外れ値の影響を受けにくい
- 他の指標と組み合わせて使うのが実務では重要
AIや機械学習の現場では、「どの指標を使うか」が結果の解釈に大きく影響します。
MAEの特徴を正しく理解し、目的に応じて適切に活用することが、精度の高いモデル構築への第一歩です。
こちらもご覧ください：F1スコア（F値）とは？適合率と再現率のバランスを評価する重要指標を解説
