新加坡 10-30 08:58 · 吉隆坡 08:58 · 雅加达 07:58 · 曼谷 07:58 · 马尼拉 08:58 · 胡志明 07:58 · 北京 08:58 · 东京 09:58 · 伦敦 00:58 · 纽约 20:58
Amy 原创整理｜资料核验：2026-10-30
scikit-learn 的 mean_absolute_error 用于衡量回归预测的平均绝对误差，结果非负，最优值为 0。对多个输出，默认会等权平均各输出的误差，也可用 multioutput='raw_values' 分别查看。
教学示例：真实等待时间为 10、20、30 分钟，预测为 12、17、31 分钟，绝对误差分别是 2、3、1 分钟，MAE=(2+3+1)/3=2 分钟。这是构造示例，不是某个真实系统的评估结果。
Amy 的汇报建议：写清目标变量、单位、测试数据范围和各输出的结果。若一个输出是分钟、另一个是金额，直接合成一个平均数很难解释；先分别查看误差，再按业务需要决定是否汇总。较小的总体 MAE 也不说明每个个案都只差这么多。
官方来源：
https://scikit-learn.org/stable/modules/generated/sklearn.metrics.mean_absolute_error.html
补两个实操坑。一是多输出别急着合成一个数：不同量纲混在一起的"平均误差"没有可解释性，先用 multioutput='raw_values' 分输出看，再决定要不要加权汇总；加权本身也要写清依据。[unverified]（建模经验） 二是 MAE 要配一个基线才有意义：同一份测试集上算一版"永远预测中位数"的 MAE，2 分钟是好是坏才有参照；另外 MAE 对大错不敏感，真正在意大偏差的场景（比如超时投诉）要同时看 RMSE 或分位数损失。[unverified] 还有一个术语坑：交易回测语境里 MAE 常指 Maximum Adverse Excursion（最大不利偏移），跟平均绝对误差完全是两回事，搜资料时撞到另一个 MAE 会越看越糊涂。[unverified] 开放问题：在你们的场景里，多差一分钟或一元，算不可接受？
先问电、数据和责任算谁的。