搜尋意圖： 如果你在找「平均絕對誤差 是什麼」或「平均絕對誤差 和相近概念差在哪」，先看這頁的短定義、完整說明與延伸比較。
TL;DR： 平均絕對誤差（MAE）是衡量預測值與實際值之間平均絕對差異的指標，數值越小代表模型預測越準確。
實用情境： 適合用在閱讀 AI 文章、產品文件或和同事討論時，先用一頁快速對齊概念。
下一步： 先讀完定義，再往下看延伸比較與對應工具，把概念轉成實際應用。
你在看預測成績單時，會不會想知道模型平均差了多少分？
你可以把平均絕對誤差想成，把每一次預測差距直接取絕對值，再算平均。 它重要在於，數字好懂、對離群值沒那麼敏感，很適合拿來看回歸模型的日常誤差。
你可以把它想成一個把抽象概念拉回日常判斷的提示，先知道它解決什麼問題，再看技術細節。
容易混淆
平均絕對誤差 vs 均方誤差
平均絕對誤差：每個誤差一視同仁，不把大錯特別放大。 均方誤差：把誤差平方後再平均，大錯會被懲罰得更重。 最關鍵的區別：前者偏穩健，後者偏嚴厲。
平均絕對誤差 vs 均方根誤差
平均絕對誤差：直接看平均偏差。 均方根誤差：先平方再開根號，會更在意大誤差。 最關鍵的區別：根號後的數值更偏向放大大錯。
記住這句就好
平均差多少就報多少，不把大錯額外放大。
實際案例
房價預測
如果模型預測每戶房價平均差 50 萬，MAE 就是 50 萬，讀起來很直觀，適合拿來跟業務溝通。
送貨時間預估
外送平台想知道平均晚到幾分鐘，MAE 很適合直接呈現平均偏差，而不是讓一兩筆超大延遲把結果拉歪。
算法與應用
MAE 的核心是絕對值，所以它對極端大誤差比較不敏感。 最佳化時通常比 MSE 更不平滑，某些情況下梯度會比較不好處理。 如果你更在意「平均差幾單位」，MAE 很合適。
公式與計算
MAE 是誤差絕對值的平均：
MAE = (1/n) × Σ |y_i − ŷ_i|取絕對值而不是平方，所以每一筆誤差的權重都一樣。
用跟 MSE 相同的四筆資料算一次，好直接比較：
| 真實值 | 預測值 | 誤差 | 絕對值 | 平方 |
|---|---|---|---|---|
| 10 | 12 | −2 | 2 | 4 |
| 20 | 18 | 2 | 2 | 4 |
| 30 | 33 | −3 | 3 | 9 |
| 40 | 35 | 5 | 5 | 25 |
MAE = (2 + 2 + 3 + 5) / 4 = 3.0 MSE = (4 + 4 + 9 + 25) / 4 = 10.5，RMSE ≈ 3.24
同一組資料，MAE 3.0、RMSE 3.24。兩者越接近，代表誤差分布越平均；差距越大，代表有少數幾筆錯得特別離譜。這個差距本身就是有用的診斷資訊。
什麼時候該選 MAE
資料本來就有離群值，而且那些離群值是真實的、不是錯誤。 例如預測店家營業額，有幾天剛好碰到活動爆量。用 MSE 會讓模型為了那幾天大幅調整，犧牲平常日的準度；MAE 不會。
你要對外報告一個好懂的數字。 MAE 就是「平均差多少」，字面意思即可解釋，不需要開根號也不需要解釋平方的效果。
不該選 MAE 的情況：大誤差的代價確實比較高。 預測手術用藥劑量、電網負載、交貨時間這類場合，錯 10 個單位的傷害遠大於錯 1 個單位的十倍，這時該用 MSE 或 RMSE 讓模型優先壓低大錯。
技術上還有一點：MAE 在誤差為 0 的地方不可微，某些最佳化方法處理起來比 MSE 麻煩。這是 MSE 長年當預設損失函數的原因之一。
情境判斷
Q1（情境題）： 模型偶爾會出現很離譜的預測值，你還想用 MAE 評估嗎？
→ 可以，MAE 對離群值比 MSE 穩健，常常更適合有少數極端值的任務。
Q2（情境題）： 如果你很怕大誤差，MAE 還是最佳選擇嗎？
→ 看情況。若大錯的代價特別高，MSE 或 RMSE 通常更能逼模型重視那些大偏差。
常見問題
MAE 的最小值是多少？
0，表示每一筆預測都完全命中真實值。
MAE 可以拿來做分類嗎？
通常不行。MAE 是給連續值回歸任務用的，分類更常看準確率、精確率、召回率和 F1 分數。
MAE 越小越好嗎？
一般是越小越好，但還是要跟任務尺度和基準模型一起看，不能只看單一數字。