如何在python中计算mape

平均绝对百分比误差 (MAPE)通常用于衡量模型的预测准确性。计算方法如下：

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

金子：

• Σ – 表示“和”的符号
• n——样本量
• real——数据的实际值
• 预测——预测数据的值

MAPE 之所以常用，是因为它易于解释和解释。例如，MAPE 值为 11.5% 表示预测值与实际值之间的平均差异为 11.5%。

MAPE 值越低，模型预测值的能力就越好。例如，MAPE 为 5% 的模型比 MAPE 为 10% 的模型更准确。

如何在Python中计算MAPE

没有内置的 Python 函数来计算 MAPE，但我们可以创建一个简单的函数来执行此操作：

 import numpy as np

def mape( actual , pred ): 
    actual, pred = np.array(actual), np.array(pred)
    return np.mean(np.abs((actual - pred) / actual)) * 100

然后我们可以使用此函数计算两个表的 MAPE：一个包含实际数据值，另一个包含预测数据值。

 actual = [12, 13, 14, 15, 15,22, 27]
pred = [11, 13, 14, 14, 15, 16, 18]

map(actual, pred)

10.8009

从结果中，我们可以看到该模型的平均绝对百分比误差为10.8009% 。也就是说，预测值与实际值的平均差异为10.8009%。

使用MAPE的注意事项

尽管 MAPE 易于计算和解释，但其使用有两个潜在缺点：

1 、由于绝对百分比误差的计算公式为|实际预测| / |真实|这意味着如果任何实际值为零，则不会定义 MAPE。

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。