<\/p>\n
Eine der am h\u00e4ufigsten verwendeten Metriken zur Messung der Prognosegenauigkeit eines Modells ist MAPE<\/strong> , was f\u00fcr den mittleren absoluten prozentualen Fehler<\/strong> steht.<\/span><\/p>\n Die Formel zur Berechnung des MAPE lautet wie folgt:<\/span><\/p>\n MAPE<\/strong> = (1\/n) * \u03a3(|tats\u00e4chlich \u2013 Prognose| \/ |tats\u00e4chlich|) * 100<\/span><\/p>\n Gold:<\/span><\/p>\n MAPE wird h\u00e4ufig verwendet, weil es leicht zu interpretieren und zu erkl\u00e4ren ist. Ein MAPE-Wert von 8 % bedeutet beispielsweise, dass die durchschnittliche Differenz zwischen dem vorhergesagten Wert und dem tats\u00e4chlichen Wert 8 % betr\u00e4gt.<\/span><\/p>\n Eine der h\u00e4ufigsten Fragen, die Menschen bei der Verwendung dieser Metrik stellen, ist:<\/span><\/p>\n Was ist ein guter Wert f\u00fcr MAPE?<\/strong><\/em><\/span><\/p>\n Die unbefriedigende Antwort: Es kommt darauf an<\/strong> .<\/span><\/p>\n Nat\u00fcrlich gilt: Je niedriger der MAPE-Wert, desto besser, aber es gibt keinen bestimmten Wert, den man als \u201egut\u201c oder \u201eschlecht\u201c bezeichnen kann. Dies h\u00e4ngt von mehreren Faktoren ab:<\/span><\/p>\n Lassen Sie uns diese beiden Faktoren genauer untersuchen.<\/span><\/p>\n Unternehmen erstellen h\u00e4ufig Prognosen zur Nachfrage nach ihren Produkten und verwenden dann MAPE, um die Genauigkeit der Prognosen zu messen.<\/span><\/p>\n Leider gibt es keinen \u201eStandard\u201c-MAPE-Wert, da dieser je nach Unternehmensart erheblich variieren kann.<\/span><\/p>\n Beispielsweise wird ein Unternehmen, das seine Preise selten \u00e4ndert, wahrscheinlich eine stabile, vorhersehbare Nachfrage haben, was bedeutet, dass es \u00fcber ein Modell verf\u00fcgt, das einen sehr niedrigen MAPE erzeugt, vielleicht weniger als 3 %.<\/span><\/p>\n Bei anderen Unternehmen, die st\u00e4ndig Werbeaktionen und Sonderangebote durchf\u00fchren, schwankt die Nachfrage im Laufe der Zeit erheblich. Daher wird es einem Prognosemodell wahrscheinlich schwerer fallen, die Nachfrage so genau vorherzusagen, was bedeutet, dass die Modelle m\u00f6glicherweise einen h\u00f6heren Wert f\u00fcr MAPE haben.<\/span><\/p>\n Sie sollten den \u201eIndustriestandards\u201c f\u00fcr MAPE sehr skeptisch gegen\u00fcberstehen.<\/span><\/p>\n Anstatt zu versuchen, den MAPE Ihres Modells mit einem beliebigen \u201eguten\u201c Wert zu vergleichen, sollten Sie ihn stattdessen mit dem MAPE einfacher Prognosemodelle vergleichen.<\/span><\/p>\n Es gibt zwei bekannte einfache Prognosemodelle:<\/span><\/p>\n 1. Die durchschnittliche Prognosemethode.<\/strong><\/span><\/p>\n Diese Art von Prognosemodell sagt einfach voraus, dass der Wert der n\u00e4chsten bevorstehenden Periode dem Durchschnitt aller vorherigen Perioden entsprechen wird. Obwohl diese Methode zu einfach erscheint, liefert sie in der Praxis tendenziell gute Ergebnisse.<\/span><\/p>\n 2. Die naive Prognosemethode.<\/b><\/span><\/p>\n Diese Art von Prognosemodell sagt voraus, dass der Wert der n\u00e4chsten bevorstehenden Periode dem Wert der vorherigen Periode entsprechen wird. Obwohl diese Methode recht einfach ist, funktioniert sie in der Regel \u00fcberraschend gut.<\/span><\/p>\n Wenn Sie ein neues Prognosemodell entwickeln, sollten Sie den MAPE dieses Modells mit dem MAPE dieser beiden einfachen Prognosemethoden vergleichen.<\/span><\/p>\n Wenn das MAPE Ihres neuen Modells nicht wesentlich besser ist als diese beiden Methoden, sollten Sie es nicht als n\u00fctzlich erachten.<\/span><\/p>\n Obwohl MAPE weit verbreitet und leicht zu interpretieren ist, weist seine Verwendung einige potenzielle Nachteile auf:<\/span><\/p>\n 1.<\/strong> Da die Formel zur Berechnung des absoluten prozentualen Fehlers |tats\u00e4chliche-Prognose| lautet \/ |echt| Dies bedeutet, dass es nicht gesetzt wird, wenn einer der tats\u00e4chlichen Werte Null ist.<\/span><\/p>\n 2. MAPE sollte nicht bei Datenmengen mit geringem Datenvolumen verwendet werden. Wenn beispielsweise der tats\u00e4chliche Bedarf f\u00fcr einen Artikel 2 betr\u00e4gt und die Prognose 1 betr\u00e4gt, betr\u00e4gt der absolute prozentuale Fehlerwert |2-1| \/ |2| = 50 %, wodurch der Prognosefehler recht hoch erscheint, selbst wenn die Prognose nur um 1 Einheit abweicht.<\/span><\/p>\n M\u00f6gliche Alternativen zu MAPE sind die mittlere absolute Abweichung und der mittlere quadratische Fehler.<\/span><\/p>\n So berechnen Sie MAPE in Excel<\/a> Eine der am h\u00e4ufigsten verwendeten Metriken zur Messung der Prognosegenauigkeit eines Modells ist MAPE , was f\u00fcr den mittleren absoluten prozentualen Fehler steht. Die Formel zur Berechnung des MAPE lautet wie folgt: MAPE = (1\/n) * \u03a3(|tats\u00e4chlich \u2013 Prognose| \/ |tats\u00e4chlich|) * 100 Gold: \u03a3 \u2013 ein ausgefallenes Symbol mit der Bedeutung \u201eSumme\u201c n \u2013 […]<\/p>\n","protected":false},"author":1,"featured_media":0,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"footnotes":""},"categories":[11],"tags":[],"yoast_head":"\n\n
\n
MAPE variiert je nach Branche<\/strong><\/span><\/h3>\n
Vergleichen Sie MAPE mit einem einfachen Prognosemodell<\/strong><\/span><\/h3>\n
Abschlie\u00dfende Gedanken<\/strong><\/span><\/h3>\n
Zus\u00e4tzliche Ressourcen<\/strong><\/span><\/h3>\n
So berechnen Sie MAPE in R<\/a>
So berechnen Sie MAPE in Python<\/a>
Was gilt als guter RMSE-Wert?<\/a><\/p>\n","protected":false},"excerpt":{"rendered":"