Es wird wie folgt berechnet:<\/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 einfach zu interpretieren ist.<\/span> Ein MAPE-Wert von 14 % bedeutet beispielsweise, dass die durchschnittliche Differenz zwischen dem vorhergesagten Wert und dem tats\u00e4chlichen Wert 14 % betr\u00e4gt<\/span> .<\/span><\/p>\n Das folgende Beispiel zeigt, wie ein MAPE-Wert f\u00fcr ein bestimmtes Modell berechnet und interpretiert wird.<\/span><\/p>\n Angenommen, eine Lebensmittelkette erstellt ein Modell zur Prognose zuk\u00fcnftiger Ums\u00e4tze. Das folgende Diagramm zeigt die tats\u00e4chlichen Verk\u00e4ufe und prognostizierten Verk\u00e4ufe des Modells f\u00fcr 12 aufeinanderfolgende Verkaufszeitr\u00e4ume:<\/span> <\/p>\n Mit der folgenden Formel k\u00f6nnen wir den absoluten prozentualen Fehler jeder Prognose berechnen:<\/span><\/p>\n Wir k\u00f6nnen dann den Durchschnitt der absoluten Fehlerprozents\u00e4tze berechnen:<\/span> <\/p>\n Der MAPE f\u00fcr dieses Modell betr\u00e4gt 5,12 %<\/strong> .<\/span><\/p>\n Dies zeigt uns, dass der durchschnittliche absolute prozentuale Fehler zwischen den vom Modell vorhergesagten Verk\u00e4ufen und den tats\u00e4chlichen Verk\u00e4ufen 5,12 %<\/strong> betr\u00e4gt.<\/span><\/p>\n Ob dies ein guter Wert f\u00fcr MAPE<\/a> ist, h\u00e4ngt von den Industriestandards ab.<\/span><\/p>\n Wenn die Standard-Lebensmittelindustrie einen MAPE-Wert von 2 % produziert, k\u00f6nnte dieser Wert von 5,12 % als hoch angesehen werden.<\/span><\/p>\n 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 f\u00fcr die Prognose zuk\u00fcnftiger Verk\u00e4ufe angesehen werden.<\/span><\/p>\n MAPE ist besonders n\u00fctzlich, um die Passform verschiedener Modelle zu vergleichen.<\/span><\/p>\n Angenommen, eine Lebensmittelkette m\u00f6chte ein Modell zur Prognose zuk\u00fcnftiger Verk\u00e4ufe erstellen und unter mehreren potenziellen Modellen das bestm\u00f6gliche Modell finden.<\/span><\/p>\n Nehmen wir an, sie stimmen mit drei verschiedenen Modellen \u00fcberein und ermitteln die entsprechenden MAPE-Werte:<\/span><\/p>\n Modell 3 hat den niedrigsten MAPE-Wert, was uns sagt, dass es unter den drei potenziellen Modellen in der Lage ist, zuk\u00fcnftige Verk\u00e4ufe mit der h\u00f6chsten Genauigkeit vorherzusagen.<\/span><\/p>\n So berechnen Sie MAPE in Excel<\/a> Eine der am h\u00e4ufigsten verwendeten Metriken zur Messung der Prognosegenauigkeit eines Modells ist der mittlere absolute prozentuale Fehler , oft mit MAPE abgek\u00fcrzt. Es wird wie folgt berechnet: MAPE = (1\/n) * \u03a3(|tats\u00e4chlich \u2013 Prognose| \/ |tats\u00e4chlich|) * 100 Gold: \u03a3 \u2013 Ein Symbol, das \u201eSumme\u201c bedeutet n \u2013 Stichprobengr\u00f6\u00dfe tats\u00e4chlich \u2013 Der tats\u00e4chliche Wert […]<\/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
Beispiel: Interpretieren Sie den MAPE-Wert f\u00fcr ein bestimmtes Modell<\/strong><\/span><\/h3>\n
![\"\"](\"https:\/\/statorials.org\/wp-content\/uploads\/2023\/08\/mape_interpret1.png\")
<\/p>\n\n
![\"\"](\"https:\/\/statorials.org\/wp-content\/uploads\/2023\/08\/mape_interpret2.png\")
<\/p>\n![\"\"](\"https:\/\/statorials.org\/wp-content\/uploads\/2023\/08\/mape_interpret3.png\")
<\/p>\n Vergleich der MAPE-Werte verschiedener Modelle<\/strong><\/span><\/h3>\n
\n
Zus\u00e4tzliche Ressourcen<\/strong><\/span><\/h3>\n
So berechnen Sie MAPE in R<\/a>
So berechnen Sie MAPE in Python<\/a>
MAPE-Rechner<\/a><\/p>\n","protected":false},"excerpt":{"rendered":"