<\/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 6 % bedeutet beispielsweise, dass die durchschnittliche Differenz zwischen dem vorhergesagten Wert und dem tats\u00e4chlichen Wert 6 % betr\u00e4gt.<\/span><\/p>\n Dieses Tutorial bietet zwei verschiedene Methoden, mit denen Sie MAPE in R berechnen k\u00f6nnen.<\/span><\/p>\n Angenommen, wir haben einen Datensatz mit einer Spalte, die die tats\u00e4chlichen Datenwerte enth\u00e4lt, und einer Spalte, die die vorhergesagten Datenwerte enth\u00e4lt:<\/span><\/p>\n Zur Berechnung des MAPE k\u00f6nnen wir die folgende Funktion verwenden:<\/span><\/p>\n Der MAPE f\u00fcr dieses Modell betr\u00e4gt 6,467 %<\/strong> . Das hei\u00dft, die durchschnittliche absolute Differenz zwischen dem vorhergesagten Wert und dem tats\u00e4chlichen Wert betr\u00e4gt 6,467 %.<\/span><\/p>\n Wir k\u00f6nnten MAPE f\u00fcr denselben Datensatz auch mit der Funktion MAPE()<\/strong> aus dem MLmetrics-<\/strong> Paket berechnen, die die folgende Syntax verwendet:<\/span><\/p>\n MAPE(y_pred, y_true)<\/strong><\/span><\/p>\n Gold:<\/span><\/p>\n Hier ist die Syntax, die wir in unserem Beispiel verwenden w\u00fcrden:<\/span><\/p>\n Dies ergibt den gleichen MAPE-Wert von 6,467 %<\/strong> , den wir mit der vorherigen Methode berechnet haben.<\/span><\/p>\n","protected":false},"excerpt":{"rendered":" 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
Methode 1: Schreiben Sie Ihre eigene Funktion<\/strong><\/span><\/h3>\n
#create dataset<\/span>\ndata <- data. frame<\/span> (actual=c(34, 37, 44, 47, 48, 48, 46, 43, 32, 27, 26, 24),\n forecast=c(37, 40, 46, 44, 46, 50, 45, 44, 34, 30, 22, 23))\n\n#view dataset<\/span>\ndata\n\n current forecast\n1 34 37\n2 37 40\n3 44 46\n4 47 44\n5 48 46\n6 48 50\n7 46 45\n8 43 44\n9 32 34\n10 27 30\n11 26 22\n12 24 23\n<\/strong><\/pre>\n #calculate MAPE<\/span>\nmean(abs((data$actual-data$forecast)\/data$actual)) * 100\n\n[1] 6.467108\n<\/strong><\/pre>\n Methode 2: Verwenden Sie ein Paket<\/strong><\/span><\/h3>\n
\n
#load MLmetrics package<\/span>\nlibrary<\/span> (MLmetrics)\n\n#calculate MAPE<\/span>\nMAPE(data$forecast, data$actual)\n\n[1] 0.06467108<\/strong><\/pre>\n