So interpretieren sie mape-werte

Eine der am häufigsten verwendeten Metriken zur Messung der Prognosegenauigkeit eines Modells ist der mittlere absolute prozentuale Fehler , oft mit MAPE abgekürzt.

Es wird wie folgt berechnet:

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

Gold:

• Σ – Ein Symbol, das „Summe“ bedeutet
• n – Stichprobengröße
• tatsächlich – Der tatsächliche Wert der Daten
• Prognose – Der vorhergesagte Wert der Daten

MAPE wird häufig verwendet, weil es einfach zu interpretieren ist. Ein MAPE-Wert von 14 % bedeutet beispielsweise, dass die durchschnittliche Differenz zwischen dem vorhergesagten Wert und dem tatsächlichen Wert 14 % beträgt .

Das folgende Beispiel zeigt, wie ein MAPE-Wert für ein bestimmtes Modell berechnet und interpretiert wird.

Beispiel: Interpretieren Sie den MAPE-Wert für ein bestimmtes Modell

Angenommen, eine Lebensmittelkette erstellt ein Modell zur Prognose zukünftiger Umsätze. Das folgende Diagramm zeigt die tatsächlichen Verkäufe und prognostizierten Verkäufe des Modells für 12 aufeinanderfolgende Verkaufszeiträume:

Mit der folgenden Formel können wir den absoluten prozentualen Fehler jeder Prognose berechnen:

• Absoluter Fehlerprozentsatz = |tatsächliche Prognose| / |echt| *100

Wir können dann den Durchschnitt der absoluten Fehlerprozentsätze berechnen:

Der MAPE für dieses Modell beträgt 5,12 % .

Dies zeigt uns, dass der durchschnittliche absolute prozentuale Fehler zwischen den vom Modell vorhergesagten Verkäufen und den tatsächlichen Verkäufen 5,12 % beträgt.

Ob dies ein guter Wert für MAPE ist, hängt von den Industriestandards ab.

Wenn die Standard-Lebensmittelindustrie einen MAPE-Wert von 2 % produziert, könnte dieser Wert von 5,12 % als hoch angesehen werden.

Wenn umgekehrt die meisten Lebensmittelprognosemodelle der Branche MAPE-Werte zwischen 10 % und 15 % erzeugen, kann ein MAPE-Wert von 5,12 % als niedrig angesehen werden und dieses Modell kann als hervorragend für die Prognose zukünftiger Verkäufe angesehen werden.

Vergleich der MAPE-Werte verschiedener Modelle

MAPE ist besonders nützlich, um die Passform verschiedener Modelle zu vergleichen.

Angenommen, eine Lebensmittelkette möchte ein Modell zur Prognose zukünftiger Verkäufe erstellen und unter mehreren potenziellen Modellen das bestmögliche Modell finden.

Nehmen wir an, sie stimmen mit drei verschiedenen Modellen überein und ermitteln die entsprechenden MAPE-Werte:

• MAPE von Modell 1: 14,5 %
• Modell 2 MAPE: 16,7 %
• Modell 3 MAPE: 9,8 %

Modell 3 hat den niedrigsten MAPE-Wert, was uns sagt, dass es unter den drei potenziellen Modellen in der Lage ist, zukünftige Verkäufe mit der höchsten Genauigkeit vorherzusagen.

Zusätzliche Ressourcen

So berechnen Sie MAPE in Excel
So berechnen Sie MAPE in R
So berechnen Sie MAPE in Python
MAPE-Rechner