---
id: MATH-MAE-001
category: "10_Wiki/💡 Topics/AI"
confidence_score: 1.0
tags: [statistics, machine-learning, loss-functions, mae, l1-loss, evaluation-metrics]
last_reinforced: 2026-04-26
---

# Mean Absolute Error (MAE, 평균 절대 오차)

## 📌 한 줄 통찰 (The Karpathy Summary)
> "오차의 크기를 왜곡 없이 있는 그대로 직면하여, 평균적인 예측의 오판 가능성을 측정하라" — 실제값과 예측값 사이의 모든 절대적인 차이를 산술 평균하여 구하는 회귀 모델의 성능 평가 및 손실 함수 지표.

## 📖 구조화된 지식 (Synthesized Content)
- **추출된 패턴:** "Linear Error Penalization" — 오차에 제곱을 가하지 않고 선형적으로 페널티를 부여함으로써, 소수의 극단적인 오차(이상치)가 전체 손실값에 미치는 영향을 억제하고 데이터의 보편적인 경향성을 학습하게 하는 패턴.
- **수식:** $\frac{1}{n} \sum_{i=1}^n |y_i - \hat{y}_i|$
- **주요 특징:**
    - **Robustness:** 이상치에 강건함. (MSE 대비 이상치의 영향력이 작음)
    - **Interpretability:** 오차의 단위가 타겟 변수의 단위와 동일하여 "평균적으로 얼마의 차이가 난다"라는 직관적 이해 가능.
- **의의:** 금융 데이터 분석이나 기상 예측처럼 소수의 예외적인 데이터가 전체 모델을 흔들지 않아야 하는 견고한(Robust) 시스템 설계의 핵심 지표.

## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
- **과거 데이터와의 충돌:** 미분이 불가능한 지점(오차가 0일 때)이 있어 최적화에 불리하다는 전통적 비판이 있었으나, 현대 딥러닝 프레임워크는 이를 수치적으로 해결하여 역전파 과정에서 안정적으로 사용 가능하게 함.
- **정책 변화:** Antigravity 프로젝트는 에이전트의 작업 소요 시간 예측 모델 평가 시, 비정상적으로 긴 작업 시간이 전체 성능 통계를 왜곡하지 않도록 MAE를 주 평가지표로 사용함.

## 🔗 지식 연결 (Graph)
- [[Mean-Squared-Error-MSE|Mean-Squared-Error-MSE]], [[Loss-Functions-Foundations|Loss-Functions-Foundations]], [[Manhattan-Distance|Manhattan-Distance]], [[Supervised-Learning-Foundations|Supervised-Learning-Foundations]]
- **Raw Source:** 10_Wiki/Topics/AI/Mean-Absolute-Error-MAE.md