均方绝对误差（Mean Absolute Error，MAE）是一种用于衡量预测值与实际值之间差异的误差度量指标，其核心特点如下：

1. 定义与计算

   MAE通过计算所有样本预测值与实际值之间差值的绝对值的平均数来评估模型性能。具体公式为：

   [

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

   ]

   其中，\（y_i\）为实际观测值，\（\hat{y}_i\）为预测值，\（n\）为样本总量。

2. 特点与优势

   • 对异常值不敏感 ：由于采用绝对值计算，异常值不会对误差产生过大影响，相比均方误差（MSE）更稳健。

   • 可解释性强 ：误差值直接反映预测偏差的实际大小，便于理解模型表现。

3. 应用场景

   常用于回归分析、机器学习模型评估等场景，尤其适合需要兼顾模型精度与鲁棒性的场景。

总结 ：MAE通过绝对值平均化处理误差，既保留了误差方向信息，又降低了异常值干扰，是评价预测模型性能的常用指标之一。