Интерпретация результатов метрик MAE и RMSE в машинном обучении имеет некоторые различия.

MAE (средняя абсолютная ошибка) показывает среднее абсолютное расстояние при предсказании модели. 1 Низкие значения MAE означают, что модель делает правильные предсказания, высокие — что модель плохо предсказывает. 1 MAE менее чувствительна к выбросам по сравнению с RMSE, поэтому её используют, когда выбросы присутствуют в данных, но не должны сильно влиять на общую производительность модели. 2

RMSE (среднеквадратическая ошибка) помогает определить, есть ли большие ошибки или расстояния, которые могли быть вызваны тем, что модель завысила или занизила предсказания. 1 Малое значение RMSE указывает на то, что модель лучше подходит к набору данных. 3 Однако нет идеального значения RMSE, оно зависит от диапазона значений набора данных. 3 Например, если диапазон от 0 до 10 000, то RMSE 5,9 считается небольшим и модель может считаться удовлетворительной, а если диапазон от 0 до 10, то RMSE 5,9 считается плохим и модель может потребоваться доработка. 3

Таким образом, MAE лучше подходит, когда не нужно сильно штрафовать за выбросы, а RMSE — когда нежелательны большие ошибки. 3