Sprawdź następny krok w analizie modelu
Sam MAE lub RMSE nie mówi wszystkiego. Jeśli wynik wymaga dalszej analizy, przejdź od razu do narzędzia odpowiadającego problemowi, który widzisz w błędach.
Do czego służą MAE, MSE i RMSE?
MAE, MSE i RMSE to popularne miary błędu prognozy. Porównują wartości rzeczywiste z wartościami przewidywanymi przez model, wzór, prognozę albo regresję. Dzięki nim można ocenić, jak bardzo prognozy różnią się od rzeczywistości.
MAE pokazuje przeciętny błąd bezwzględny. RMSE również opisuje skalę błędu, ale przez podnoszenie błędów do kwadratu mocniej reaguje na duże pomyłki. MSE jest średnią kwadratów błędów i ma jednostkę danych podniesioną do kwadratu.
Kalkulator przyda się przy analizie modeli, regresji, prognoz sprzedaży, zapotrzebowania, kosztów, wyników pomiarów i danych eksperymentalnych.
Wzory na MAE, MSE i RMSE
Dla wartości rzeczywistych y i prognoz ŷ przyjmujemy błąd pojedynczej obserwacji e = y − ŷ.
MAE i RMSE można interpretować w jednostce danych. MSE służy przede wszystkim jako miara kwadratowego błędu i ma jednostkę kwadratową.
MAE czy RMSE – którą miarę wybrać?
Jeśli chcesz opisać przeciętną bezwzględną wielkość pomyłki, MAE jest zwykle łatwiejsze do komunikowania. RMSE mocniej reaguje na pojedyncze duże błędy, bo przed uśrednieniem błędy są podnoszone do kwadratu.
W praktyce warto patrzeć na obie miary. Wyraźnie większe RMSE niż MAE może być sygnałem, że część obserwacji ma znacznie większe błędy niż pozostałe.
MAPE i bias – procent błędu oraz kierunek pomyłek
MAPE dla obserwacji z y ≠ 0
Kalkulator liczy średni bezwzględny błąd procentowy tylko dla obserwacji, w których wartość rzeczywista jest różna od zera. Przy y = 0 iloraz |y−ŷ|/|y| jest nieokreślony, dlatego taki wiersz nie wchodzi do tej konkretnej średniej. Wynik jest wyraźnie oznaczony jako MAPE (y≠0).
Bias przy definicji e = y − ŷ
Dodatni bias oznacza, że wartości rzeczywiste są przeciętnie wyższe od prognoz, więc model zaniża. Ujemny bias oznacza przeciętne zawyżanie prognoz.
Jak interpretować wynik w praktyce?
Nie istnieje jedna uniwersalna granica „dobrego” MAE lub RMSE. Ten sam błąd może być mały albo duży zależnie od skali danych, celu modelu i kosztu pomyłki.
Kalkulator pokazuje pomocniczo stosunek RMSE / średnia(|y|). To nie jest uniwersalny standard jakości modelu, lecz sposób na szybkie odniesienie błędu do typowej bezwzględnej skali wartości rzeczywistych. Dzięki użyciu średniej z |y| wskaźnik nie załamuje się tylko dlatego, że dodatnie i ujemne wartości y wzajemnie znoszą się w zwykłej średniej.
Jeżeli RMSE jest wyraźnie większe od MAE, sprawdź tabelę błędów i wartości odstające.
Przykład krok po kroku
Dane rzeczywiste: 100, 120, 90, 150, 130. Prognozy: 105, 115, 95, 140, 128. Błędy y−ŷ wynoszą −5, 5, −5, 10 i 2. Po wzięciu wartości bezwzględnych dostajemy 5, 5, 5, 10 i 2.
MAE jest średnią wartości bezwzględnych błędów. MSE jest średnią ich kwadratów, a RMSE pierwiastkiem z MSE. Duży pojedynczy błąd wpływa na RMSE mocniej niż na MAE.
Zadania przykładowe
Dla błędów 2, −2, 4 oblicz MAE.
Dla błędów 2 i 4 oblicz MSE.
Jeśli MSE=25, ile wynosi RMSE?
Co oznacza ujemny bias?
Najczęstsze błędy
- Porównywanie MAE z MSE bez jednostek – MSE ma jednostkę kwadratową.
- Ignorowanie dużych błędów – RMSE może ujawnić problem mocniej niż MAE.
- Liczenie zwykłego MAPE przy y=0 – procentowy składnik ma wtedy zerowy mianownik.
- Ocena modelu jedną liczbą – warto sprawdzić też bias i tabelę pojedynczych błędów.
- Mylenie znaku błędu – tutaj przyjęto e=y−ŷ.
Wskazówka od KalkulatorXXL
W raporcie pokaż MAE, RMSE i bias razem. MAE daje intuicyjną skalę przeciętnego błędu, RMSE uwydatnia większe pomyłki, a bias pokazuje kierunek systematycznego przesunięcia prognoz.
Cały pakiet statystyki i analizy danych
Jeśli chcesz przejść od pojedynczej miary do szerszego zestawu metod, sprawdź Statystykę, prawdopodobieństwo i rozkłady – akademię obliczeń.
FAQ - MAE, MSE i RMSE
Źródło metodologiczne: dokumentacja metryk regresji scikit-learn – MAE, MSE, RMSE i MAPE.
Ostatnia aktualizacja: 28.09.2026