Mape 的良好价值是多少？

衡量模型预测准确性的最常用指标之一是MAPE ，它代表平均绝对百分比误差。

MAPE的计算公式如下：

MAPE = (1/n) * Σ(|实际 – 预测| / |实际|) * 100

金子：

• Σ——一个奇特的符号，意思是“和”
• n——样本量
• real——数据的实际值
• 预测——数据的预期值

MAPE 之所以常用，是因为它易于解释和解释。例如，MAPE 值为 8% 表示预测值与实际值之间的平均差异为 8%。

人们在使用此指标时最常见的问题之一是：

MAPE 的价值是多少？

答案并不令人满意：这取决于。

显然，MAPE 值越低越好，但没有特定的值可以称为“好”或“坏”。这取决于几个因素：

• 行业类型
• MAPE 值与简单预测模型的比较

让我们深入探讨这两个因素。

MAPE 因行业而异

通常，公司会对其产品的需求进行预测，然后使用 MAPE 来衡量预测的准确性。

不幸的是，没有“标准”MAPE 值，因为它可能会根据业务类型而有很大差异。

例如，一家很少改变价格的公司可能会有稳定、可预测的需求，这意味着它的模型可能会产生非常低的 MAPE，可能低于 3%。

对于其他经常进行促销和特别优惠的企业来说，他们的需求会随着时间的推移而发生显着变化，因此预测模型可能会很难准确地预测需求，这意味着这些模型对于 MAPE 可能具有更高的价值。

您应该对 MAPE 的“行业标准”非常怀疑。

将 MAPE 与简单的预测模型进行比较

您不应尝试将模型的 MAPE 与任意“良好”值进行比较，而应将其与简单预测模型的 MAPE 进行比较。

有两种众所周知的简单预测模型：

1.平均预测法。

这种类型的预测模型只是预测下一个时期的值将是所有先前时期的平均值。虽然这种方法看起来过于简单，但在实践中往往会产生良好的结果。

2. 朴素的预测方法。

这种类型的预测模型预测下一个时期的价值将等于上一个时期的价值。同样，虽然这种方法非常简单，但效果却出奇的好。

在开发新的预测模型时，您应该将该模型的 MAPE 与这两种简单预测方法的 MAPE 进行比较。

如果您的新模型的 MAPE 没有明显优于这两种方法，那么您不应认为它有用。

最后的想法

尽管 MAPE 被广泛使用且易于解释，但其使用存在一些潜在的缺点：

1.由于绝对百分比误差的计算公式为 |actual-forecast| / |真实|这意味着如果任何实际值为零，则不会设置它。

2. MAPE 不应用于低容量数据。例如，如果某个项目的实际需求为 2，预测为 1，则绝对百分比误差值为 |2-1| / |2| = 50%，这使得预测误差显得相当高，即使预测仅偏离 1 个单位。

MAPE 的潜在替代方法包括平均绝对偏差和均方误差。

其他资源

如何在 Excel 中计算 MAPE
如何在 R 中计算 MAPE
如何在Python中计算MAPE
什么被认为是良好的 RMSE 值？