平均絶対誤差（MAE）は、予測値と実測値の差の絶対値を平均した、回帰モデルの代表的な評価指標です。
MAEは目的変数と同じ単位で示せるため、現場にも説明しやすいのが特徴です。たとえば売上予測のMAEが8,000円なら、評価データ上の予測と実績の差は平均で8,000円程度だったと読めます。
AI駆動開発の基本や工程ごとの活用方法、費用・期間への影響については、無料ホワイトペーパー「【2026年最新版】AI駆動開発の完全ガイドブック」で詳しく解説しています。
平均絶対誤差（MAE）とは？予測の外れ幅を同じ単位で示す指標
平均絶対誤差は、英語のMean Absolute Errorを略してMAEと呼ばれます。計算では、各データの「予測値−実測値」を求めて絶対値をとり、それらを足し合わせてデータ数で割ります。
誤差の符号を取り除いてから平均するため、過大予測と過小予測が打ち消し合いません。MAEが0に近いほど、平均的な予測の外れ幅は小さいと読めます。
MAEの単位は目的変数と同じで、気温なら度、商品の需要なら個数、広告費なら円になります。そのため「平均で何円ずれるか」「何件程度違うか」を、意思決定にそのまま使えます。
二乗や平方根を含む指標に比べて説明しやすく、機械学習に詳しくない関係者とモデルを比べるときにも役立ちます。
ただし、MAEが小さいモデルが必ずしも最良とは限りません。たとえば、欠品を避けたい需要予測では過小予測をより重く扱う必要があります。
また、異常な大外れを絶対に避けたい設備予測では、RMSEや最大誤差も併記する必要があります。指標は、モデルを学習させる目的関数ではなく、業務上の損失を測るためのものです。
平均絶対誤差の計算方法｜誤差の絶対値の平均
数式と具体例
実測値を y_i、予測値を ŷ_i、データ数を n とすると、MAEは次の式で表せます。
MAE = (1 / n) × Σ |y_i - ŷ_i|実測値が「10、20、30」、予測値が「12、17、25」の場合、絶対誤差は「2、3、5」になります。その合計の10を3件で割ると、MAEは約3.33になります。
予測値の単位が万円なら、平均して約3.33万円のずれと読めます。一方、符号を残したまま平均すると、「-2、3、5」の合計が6になり、過大予測と過小予測が打ち消されてしまいます。絶対値を使うMAEは、この打ち消しを避けられます。
MAEでは見えない予測の方向の偏り
MAEは誤差の大きさを示しますが、予測が一貫して高いか低いかまでは示しません。方向の偏りを確認するには、符号を残した平均誤差（ME）を使い、MAEとあわせて残差を分析します。
MAEを店舗別・商品別・季節別に分けて集計すると、全体平均では見えない過小予測の傾向が見つかることがあります。
MAEとRMSE・MAPEの違い｜外れ値と尺度の扱い
RMSEとの違い｜大きな誤差への重み付け
大きな誤差を重く見たいか、平均的なずれを単位で伝えたいかで、指標を選び分けます。
- RMSEは、大きな外れを重く見る指標
- MAEは、平均的なずれを目的変数と同じ単位で示す指標
- 同じデータで両方を算出し、残差も確認する
RMSEは二乗平均平方根誤差のことで、誤差を二乗して平均してから平方根を取ります。そのため、大きな誤差がMAEより強く効きます。
通常の誤差が小さくても、一部の大外れが大きな損失になる場合はRMSEを重視する価値があります。反対に、外れ値がたまたま起きただけで通常時の平均的なずれを知りたいなら、MAEが直感に合います。
両者を同じデータで併記すると、誤差分布の特徴を推測できます。RMSEがMAEに近ければ誤差の大きさが比較的そろっている可能性があり、RMSEだけが大きいときは、一部の大きな外れを調べる必要があります。
外れ値の原因は、指標の比率だけで決めつけず、実際の残差を確認してください。
MAPEとの違い｜割合で比較する場合
MAPEは、絶対誤差を実測値で割って百分率にし、その平均を取った指標です。商品ごとに規模が異なる場合は、「平均で何％ずれるか」と説明できます。
ただし、実測値が0または0に近いデータでは、計算できないか、値が不安定になる問題があります。また、小さな実測値の誤差を過度に大きく評価しやすい点にも注意が必要です。
中央値絶対誤差との違い
絶対誤差の中央値（MedAE）は、絶対誤差を小さい順に並べたときの中央の値です。極端な外れ値の影響をMAEより受けにくいため、「典型的な1件」のずれを見たい場合に役立ちます。
平均的な業務コストを見積もるならMAE、典型例を把握するならMedAEというように使い分けると、誤差の分布を多面的に捉えられます。
平均絶対誤差を実務で使う場面｜予測と意思決定のつながり
需要予測・在庫計画
小売や製造の需要予測では、MAEを商品の個数や重量に換算して示せます。全商品の平均に加えて、販売量の多い商品、季節商品、欠品の影響が大きい商品ごとにMAEを確認します。
同じMAEでも、高単価商品を大きく外すモデルと低単価商品を少しずつ外すモデルでは、在庫費用の影響が異なります。そのため、商品ごとの内訳を見ることが欠かせません。
売上・価格・工数の予測
売上や価格、作業時間の予測では、MAEを金額や時間に戻して説明できます。人員配置に使うなら「平均で何時間のずれか」、見積もりに使うなら「平均で何円の差か」を示すことが重要です。
モデルを比べるときは、検証データの期間、対象範囲、欠損の扱いをそろえます。そのうえで、MAEの差が偶然ではないかを複数の期間で確認します。
ベースラインとの比較
機械学習モデルを評価する前に、直近値、全期間平均、季節別平均などの単純なベースラインを用意します。MAEの良し悪しは、このベースラインと比べて初めて判断できます。
たとえば、ベースラインのMAEが10で新モデルが9.8なら、数値上は改善していても保守費用に見合わない場合があります。採用は、改善率に加えて、誤差が減った対象、推論コスト、更新頻度から判断します。
MAEでモデルを評価するときの手順と注意点
評価用データと学習データの分離
MAEを計算するデータを学習や特徴量の選択に使うと、評価が実際より楽観的になります。そこで、訓練、検証、最終テストの役割を分け、テストデータは最終確認まで触れないようにします。
時系列データでは、未来のデータを過去の学習に混ぜないようにします。同じ顧客や設備の記録が複数ある場合は、グループ単位で分割します。
前処理と欠損値の扱いの固定
外れ値の除去や欠損値の補完、対数変換を評価データ全体に対して先に行うと、テストの情報が学習側へ漏れるおそれがあります。前処理の基準は学習データだけで決め、検証、テスト、本番には同じ変換を適用します。
欠損を除外したときは、除外した件数と対象を記録します。モデル間で評価対象が変わっていないかも、確認してください。
全体平均だけで結論を出す危うさ
全体のMAEだけで判断すると、業務で重要な偏りを見落とすおそれがあります。
- 地域・商品・顧客規模で分けたMAE
- 平日・休日、予測期間別のMAE
- sample_weightに使う重みの根拠を記録する
全体のMAEは、データ数の多いグループの傾向に引っ張られます。そのため、業務上重要なグループは別に評価します。
予測期間が長いほど誤差が増えるなら、1日後・7日後・30日後のように期間（horizon）別の表を作ります。そうすると、運用時に見込む誤差の目安を設定しやすくなります。
from sklearn.metrics import mean_absolute_error
mae = mean_absolute_error(y_test, y_pred)
print(f"MAE: {mae:.2f}")上のコードは、scikit-learnでMAEを計算する最小限の例です。実務では、テストデータの作り方と予測時点をコードと記録に残します。
重み付けや欠損の扱いも、同じように記録しておきます。サンプルごとに重要度が違う場合は、sample_weightを使った重み付きMAEを検討できます。
平均絶対誤差の限界｜MAEだけでは見えない点
MAEの1つの数値から読み取れるのは、平均的な外れ幅までです。誤差の方向や大外れの頻度、分布の偏りは、別の指標や残差で補う必要があります。
同じ平均でも、毎回一定の誤差が出るモデルと、ほとんど正確だが一部で大きく外すモデルは別物です。残差のヒストグラムや分位点を併記すると誤差の散らばりが分かり、最大誤差や予測区間の被覆率も合わせて見ると、どのような失敗が起きるかを確認できます。
目的変数の単位が違うモデル同士は、MAEの絶対値だけでは比べられません。また、店舗Aと店舗Bの売上のように規模が異なる場合は、MAEを平均売上で割るなど、相対的な指標を補助的に使います。
相対化すると小さな分母の影響が強くなるため、MAPEの問題点も踏まえて指標を選ぶ必要があります。
平均絶対誤差まとめ｜単位のある誤差の業務判断への活用
平均絶対誤差（MAE）は、予測値と実測値の絶対差を平均した指標です。目的変数と同じ単位で表せるため、平均的な外れ幅を現場に伝えやすく、回帰モデルのベースライン比較にも使えます。
絶対値をとって平均するため、過大予測と過小予測の相殺を防ぎながら、通常時の誤差を把握できます。一方で、大きな外れを強く問題視したい場合はRMSE、割合で比べたい場合はMAPEや正規化したMAEなどを検討します。
時系列やグループ分割、前処理の分離、セグメント別の確認を行い、MAEの数値だけでモデルを採用しないことが大切です。単純なベースラインと同じ評価条件で比較し、改善幅が業務価値と運用コストに見合うかを判断してください。
よくある質問（FAQ）
Q. 平均絶対誤差（MAE）とは何ですか？
MAEとは、予測値と実測値の絶対差を平均した回帰モデルの評価指標です。目的変数と同じ単位で平均的な外れ幅を示します。
Q. MAEとRMSEはどう使い分けますか？
通常の平均的なずれを知りたいときはMAE、大きな外れを強く問題視するときはRMSEが向いています。両方を併記すると誤差分布を確認できます。
Q. MAEは実測値が0のデータでも使えますか？
使えます。MAEは実測値で割らないため、0を含む目的変数でも計算できます。割合で評価するMAPEは0付近で不安定になるため、MAEなどを併用します。
Q. MAEはどのくらい小さければ良いですか？
一律の基準はありません。目的変数の単位、業務で許容できる誤差、単純なベースラインのMAEと比較し、改善幅と運用コストを含めて判断します。
Q. 重要なデータを重く評価できますか？
できます。サンプルごとの重みを決めて重み付きMAEを計算します。ただし、重みの根拠と評価対象の変更を記録し、通常のMAEも併記すると比較の透明性を保てます。
開発の相談を検討している方は、無料ホワイトペーパー「【2026年最新版】AI駆動開発の完全ガイドブック」をご覧ください。
参考資料
本文で扱ったMAEとRMSEの定義や関数の仕様を確かめるために参照したのは、次の公式リファレンスです。
- scikit-learn User Guide「Regression metrics」
公式リファレンス - scikit-learn「mean_absolute_error」
公式リファレンス - scikit-learn「root_mean_squared_error」
公式リファレンス
会社紹介
株式会社riplaでは、お客様の事業・ユーザー・業務に最適化したオーダーメイド型システムを、構想策定・要件定義から開発・改善まで一気通貫で支援。事業会社でIT・DXを経験したプロフェッショナルによる高い要件定義力・システム設計力を活かし、事業成果の最大化に伴走します。
また、当社独自の開発テンプレート「Boxシリーズ」による標準機能の高速開発と、AI駆動開発の独自フレームワーク「GoDD」による独自機能のAI実装を組み合わせることで、低コスト・短期間で開発を実現いたします。
もし、システム開発やプロダクト開発に関するご要望がございましたら、お気軽にお問い合わせください。
・サービス概要資料のURLはこちら >>>
・お問合せページのURLはこちら >>>
・お役立ち資料のURLはこちら >>>
株式会社ripla 代表取締役CEOとして、システムパッケージ活用、システム開発、データ分析、生成AI活用、SaaS開発、アプリ開発、EC構築など、幅広い領域で企業のDX推進と事業成長を支援している。事業会社でIT・DXを経験したプロフェッショナルが集う株式会社riplaにおいて、お客様の事業・ユーザー・業務に最適化したオーダーメイド型システムを構想策定・要件定義から開発・改善まで一気通貫で支援し、単なるシステム納品にとどまらず、クライアントと同じ目線で事業成果の最大化に向けた伴走支援を行う。早稲田大学卒業後、ラクスル株式会社、LINEヤフー株式会社にて事業開発やDX推進などに従事した後、株式会社riplaを創業。