Wat is Mean Absolute Error?

Hoe ver zit je ernaast?

Stel je voor: je traint een AI-model om huizenprijzen te voorspellen. Het model zegt €350.000, maar de werkelijke prijs blijkt €380.000. Dan zit je €30.000 ernaast. Bij het volgende huis voorspel je €220.000, terwijl het €200.000 is — weer €20.000 verschil. Mean Absolute Error (MAE) is simpelweg het gemiddelde van al die fouten, waarbij je alle min-tekens negeert. Je telt alle afwijkingen op, deelt door het aantal voorspellingen, klaar.

Het mooie van MAE is dat het heel intuïtief is: als je MAE €25.000 is, dan weet je dat je gemiddeld €25.000 naast de werkelijke waarde zit. Niet meer, niet minder. Dat maakt het een populaire metric in situaties waar je wilt weten: hoe ver zitten we er gemiddeld naast?

Waarom 'absoluut'?

De term 'absoluut' betekent dat je alleen kijkt naar de grootte van de fout, niet of je te hoog of te laag zat. Anders zouden een voorspelling van +€30.000 te hoog en -€30.000 te laag elkaar opheffen, en zou je denken dat je model perfect is — terwijl het in beide gevallen gigantisch mis zit.

Door altijd de absolute waarde te nemen (dus alle fouten positief te maken), tel je eerlijk op hoe groot de afwijkingen zijn. Zo krijg je een realistisch beeld van de nauwkeurigheid.

Een voorbeeld uit de praktijk

Een energiebedrijf wil de stroomvraag voorspellen voor de komende dag. Hun AI-model voorspelt per uur hoeveel megawatt nodig is. Na een week vergelijken ze de voorspellingen met het werkelijke verbruik:

• Maandag 9 uur: voorspeld 450 MW, werkelijk 470 MW → fout: 20 MW

• Dinsdag 14 uur: voorspeld 520 MW, werkelijk 500 MW → fout: 20 MW

• Woensdag 18 uur: voorspeld 600 MW, werkelijk 640 MW → fout: 40 MW

Gemiddeld zitten ze 26,7 MW ernaast (20+20+40 gedeeld door 3). Dat is de MAE. Met die kennis kunnen ze inschatten of hun model goed genoeg is, of dat ze meer trainingsdata nodig hebben.

MAE versus andere metrics

Naast MAE bestaan er andere manieren om modelfouten te meten. Mean Squared Error (MSE) bijvoorbeeld, kwadreert alle fouten eerst — waardoor grote uitschieters extra zwaar wegen. Dat kan handig zijn als je wilt dat je model vooral geen enorme blunders maakt, maar het maakt de uitkomst minder intuïtief (je krijgt dan een getal in 'vierkante euros' of 'vierkante megawatts').

MAE houdt alles in dezelfde eenheid als je data. Voorspel je temperaturen? Dan is je MAE in graden Celsius. Voorspel je levertijden? Dan in uren of dagen. Dat maakt het makkelijk uit te leggen aan collega's zonder data-achtergrond.

Waar kom je het tegen?

MAE wordt breed gebruikt in machine learning-toepassingen waar je een getal voorspelt — ook wel regressie genoemd. Denk aan:

• Vraagvoorspelling: hoeveel producten verkoop je volgende maand?

• Prijsvoorspelling: wat wordt de waarde van een aandeel, huis of auto?

• Weersvoorspelling: hoeveel graden wordt het morgen?

• Medische diagnostiek: wat is iemands bloeddruk of cholesterolwaarde?

In tools zoals Scikit-learn (Python), TensorFlow, PyTorch en Azure Machine Learning is MAE een standaard evaluatiemetric die je met één regel code kunt berekenen. Ook in Excel of Google Sheets kun je het zelf uitrekenen: neem het absolute verschil per rij, tel alles op, deel door het aantal rijen.

Bij het trainen van een model zie je MAE vaak in dashboards of logs, naast andere metrics. Sommige teams kiezen bewust voor MAE omdat het makkelijker te communiceren is richting management of klanten dan complexere statistieken.

Wat kun je ermee?

Als jij een AI-model bouwt of laat bouwen, vraag dan altijd: wat is de MAE? Dat geeft je direct een gevoel of het model bruikbaar is. Een MAE van €5.000 bij huizenprijzen van gemiddeld €300.000 is prima. Diezelfde MAE bij prijzen van €50.000 is rampzalig.

Vergelijk ook verschillende modellen op basis van MAE: het model met de laagste MAE zit gemiddeld het dichtst bij de waarheid. Zo maak je een onderbouwde keuze welk model je in productie zet — of dat je nog meer data moet verzamelen om de nauwkeurigheid omhoog te krijgen.