Machine Learning clásico, Unidad 8 — Evaluación de modelos, 8.1 — Métricas para regresión · 13/01/2026

MAE

MAE: Una Métrica Importante para la Evaluación de Regresión

Introducción

Cuando hablamos de evaluación en regresión, una métrica que aparece con mucha frecuencia es el Error Absoluto Medio (MAE). Este artículo te guiará a través del significado, cálculo y uso adecuado de MAE. Además, cubriremos errores comunes al usar MAE y proporcionaremos un checklist para asegurarte que estás aplicándolo correctamente en tus proyectos de Machine Learning.

Explicación Principal

El MAE es una medida del error absoluto medio entre los valores observados y predichos. Es útil cuando se desea minimizar el error promedio absoluto, sin considerar la dirección (si el error es positivo o negativo).

Cálculo de MAE

Supongamos que tienes un conjunto de datos con valores observados \(y_i\) y valores predichos \(\hat{y}_i\). La fórmula para calcular el MAE es:

\[ \text{MAE} = \frac{1}{n} \sum_{i=1}^{n} |y_i - \hat{y}_i| \]

donde \(n\) es el número total de muestras en tu conjunto de datos.

Ejemplo

Veamos un ejemplo simple para entender mejor cómo funciona MAE. Supongamos que tienes una serie de predicciones y las observaciones correspondientes:

import numpy as np

# Valores observados (y)
y = np.array([3, -0.5, 2, 7])

# Predicciones (y_pred)
y_pred = np.array([2.5, 0.0, 2, 8])

# Cálculo del MAE
mae = np.mean(np.abs(y - y_pred))
print(f"MAE: {mae}")

Este ejemplo muestra cómo calcular el MAE en Python usando numpy. El resultado nos da una idea de cuán lejos está nuestra predicción promedio de los valores observados.

Errores Típicos / Trampas

1. No considerar la dirección del error

Un problema común es confundir el MAE con el Error Cuadrático Medio (MSE). Ambas métricas miden errores, pero MSE penaliza más a los errores grandes al elevarlos al cuadrado.

2. Ignorar valores extremos

MAE no considera la dirección del error, lo que puede ser un problema si hay outliers en tus datos. Estos errores pueden inflar o distorsionar tu métrica de error.

3. No normalizar los datos

En problemas donde las escalas de predicción y observación varían mucho, MAE puede no reflejar la realidad de cómo están funcionando tus modelos. Es importante ajustar a una escala común antes de calcular MAE.

Checklist Accionable

1. Comprueba que el MAE tenga sentido en tu contexto

Piensa bien si MAE es realmente lo que quieres medir. Asegúrate de que no estés confundiendo MAE con MSE o RMSE.

2. Verifica la presencia de outliers

Usa gráficos como boxplots para identificar posibles outliers y considera cálculos robustos si esto es un problema.

3. Normaliza tus datos

Asegúrate de que las escalas de tus predicciones y observaciones sean comparables. Considera usar técnicas como estandarización o normalización (min-max).

4. Usa MAE junto con otras métricas

Complementa MAE con otras métricas como R², RMSE o MSE para obtener una visión más completa del rendimiento de tu modelo.

5. Evalúa el MAE en diferentes subconjuntos de datos

Asegúrate de que el rendimiento de MAE sea consistente a través de diferentes subconjuntos de tus datos (entrenamiento, validación y prueba).

Cierre: Siguientes Pasos

1. Aplica MAE a tu conjunto de datos

Prueba MAE en un proyecto real y observa cómo se comporta en comparación con otras métricas.

2. Ajusta tus modelos según el resultado

Si MAE es alto, considera ajustar tus modelos o incluso probar otros algoritmos.

3. Revisa tu flujo de trabajo de Machine Learning

Incorpora la evaluación del rendimiento utilizando MAE en cada etapa de tu flujo de trabajo para asegurar un rendimiento constante y predecible.

Esperamos que esta guía te haya ayudado a entender mejor el MAE y cómo usarlo adecuadamente en tus proyectos de Machine Learning. La elección correcta de métricas es crucial para evaluar y mejorar los modelos, por lo que asegúrate de considerar todas las variables antes de tomar decisiones fundamentales.

MAE