So berechnen sie mape in python

Der mittlere absolute prozentuale Fehler (MAPE) wird üblicherweise zur Messung der Vorhersagegenauigkeit von Modellen verwendet. Es wird wie folgt berechnet:

MAPE = (1/n) * Σ(|tatsächlich – Vorhersage| / |tatsächlich|) * 100

Gold:

• Σ – ein Symbol, das „Summe“ bedeutet
• n – Stichprobengröße
• real – der tatsächliche Wert der Daten
• Vorhersage – der Wert der vorhergesagten Daten

MAPE wird häufig verwendet, weil es leicht zu interpretieren und zu erklären ist. Ein MAPE-Wert von 11,5 % bedeutet beispielsweise, dass die durchschnittliche Differenz zwischen dem vorhergesagten Wert und dem tatsächlichen Wert 11,5 % beträgt.

Je niedriger der MAPE-Wert, desto besser kann ein Modell Werte vorhersagen. Beispielsweise ist ein Modell mit einem MAPE von 5 % genauer als ein Modell mit einem MAPE von 10 %.

So berechnen Sie MAPE in Python

Es gibt keine integrierte Python-Funktion zur Berechnung von MAPE, aber wir können eine einfache Funktion dafür erstellen:

 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

Mit dieser Funktion können wir dann den MAPE für zwei Tabellen berechnen: eine, die die tatsächlichen Datenwerte enthält, und eine, die die vorhergesagten Datenwerte enthält.

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

map(actual, pred)

10.8009

Aus den Ergebnissen können wir ersehen, dass der durchschnittliche absolute prozentuale Fehler für dieses Modell 10,8009 % beträgt. Mit anderen Worten: Die durchschnittliche Differenz zwischen dem vorhergesagten Wert und dem tatsächlichen Wert beträgt 10,8009 %.

Vorsichtsmaßnahmen für die Verwendung von MAPE

Obwohl MAPE einfach zu berechnen und zu interpretieren ist, hat seine Verwendung zwei potenzielle Nachteile:

1. Da die Formel zur Berechnung des absoluten prozentualen Fehlers |tatsächliche Vorhersage| lautet / |echt| Dies bedeutet, dass MAPE nicht definiert wird, wenn einer der tatsächlichen Werte Null ist.

2. MAPE sollte nicht bei Datenmengen mit geringem Datenvolumen verwendet werden. Wenn beispielsweise der tatsächliche Bedarf für einen Artikel 2 beträgt und die Prognose 1 beträgt, beträgt der absolute prozentuale Fehlerwert |2-1| / |2| = 50 %, wodurch der Prognosefehler recht hoch erscheint, selbst wenn die Prognose nur um 1 Einheit abweicht.