中位数绝对误差（Median Absolute Error, MAE）是一种衡量回归模型预测精度的指标。它计算的是预测值与真实值之间绝对差值的中位数。中位数绝对误差的值是非负浮点数，最佳值为0.0。在机器学习库sklearn中，可以使用median_absolute_error函数来计算这一指标。
该函数的参数包括：
y_true：真实目标值，形状为(n_samples,)或(n_samples, n_outputs)的数组。y_pred：预测目标值，形状与y_true相同。multioutput：定义多输出值的聚合方式，默认为'uniform_average'。可选值为'raw_values'或形状为(n_outputs,)的数组。sample_weight：样本权重，形状为(n_samples,)的数组，默认为None。在multioutput参数中，'raw_values'表示在多输出输入的情况下返回完整的错误集合，而'uniform_average'表示所有输出的错误以统一权重平均。此外，也可以传入一个数组来定义用于平均错误的权重。
函数返回值：
multioutput为'raw_values'时，返回每个输出的中位数绝对误差。multioutput为'uniform_average'或权重数组时，返回所有输出错误的加权平均值。以下是使用sklearn库中的median_absolute_error函数计算中位数绝对误差的示例代码。
from sklearn.metrics import median_absolute_error
# 单输出示例
y_true = [3, -0.5, 2, 7]
y_pred = [2.5, 0.0, 2, 8]
print(median_absolute_error(y_true, y_pred)) # 输出: 0.5
# 多输出示例
y_true = [[0.5, 1], [-1, 1], [7, -6]]
y_pred = [[0, 2], [-1, 2], [8, -5]]
print(median_absolute_error(y_true, y_pred)) # 输出: 0.75
# 返回每个输出的中位数绝对误差
print(median_absolute_error(y_true, y_pred, multioutput='raw_values')) # 输出: [0.5, 1.]
# 使用自定义权重计算加权平均误差
print(median_absolute_error(y_true, y_pred, multioutput=[0.3, 0.7])) # 输出: 0.85
在解释线性模型的系数时，常见的误区包括：
此外，对目标变量进行变换（如对数变换、标准化等）可能会影响模型的解释和预测性能。在实际应用中，需要根据具体情况选择合适的变换方法。