<\/p>\n
Der mittlere absolute prozentuale Fehler (MAPE)<\/strong> wird \u00fcblicherweise zur Messung der Vorhersagegenauigkeit von Modellen verwendet. Es wird wie folgt berechnet:<\/span><\/p>\n MAPE<\/strong> = (1\/n) * \u03a3(|tats\u00e4chlich \u2013 Vorhersage| \/ |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 11,5 % bedeutet beispielsweise, dass die durchschnittliche Differenz zwischen dem vorhergesagten Wert und dem tats\u00e4chlichen Wert 11,5 % betr\u00e4gt.<\/span><\/p>\n 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 %.<\/span><\/p>\n Es gibt keine integrierte Python-Funktion zur Berechnung von MAPE, aber wir k\u00f6nnen eine einfache Funktion daf\u00fcr erstellen:<\/span><\/p>\n Mit dieser Funktion k\u00f6nnen wir dann den MAPE f\u00fcr zwei Tabellen berechnen: eine, die die tats\u00e4chlichen Datenwerte enth\u00e4lt, und eine, die die vorhergesagten Datenwerte enth\u00e4lt.<\/span><\/p>\n Aus den Ergebnissen k\u00f6nnen wir ersehen, dass der durchschnittliche absolute prozentuale Fehler f\u00fcr dieses Modell 10,8009 %<\/strong> betr\u00e4gt. Mit anderen Worten: Die durchschnittliche Differenz zwischen dem vorhergesagten Wert und dem tats\u00e4chlichen Wert betr\u00e4gt 10,8009 %.<\/span><\/p>\n Obwohl MAPE einfach zu berechnen und zu interpretieren ist, hat seine Verwendung zwei potenzielle Nachteile:<\/span><\/p>\n 1.<\/strong> Da die Formel zur Berechnung des absoluten prozentualen Fehlers |tats\u00e4chliche Vorhersage| lautet \/ |echt| Dies bedeutet, dass MAPE nicht definiert wird, wenn einer der tats\u00e4chlichen Werte Null ist.<\/span><\/p>\n 2.<\/strong> 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","protected":false},"excerpt":{"rendered":" Der mittlere absolute prozentuale Fehler (MAPE) wird \u00fcblicherweise zur Messung der Vorhersagegenauigkeit von Modellen verwendet. Es wird wie folgt berechnet: MAPE = (1\/n) * \u03a3(|tats\u00e4chlich \u2013 Vorhersage| \/ |tats\u00e4chlich|) * 100 Gold: \u03a3 \u2013 ein Symbol, das \u201eSumme\u201c bedeutet n \u2013 Stichprobengr\u00f6\u00dfe real \u2013 der tats\u00e4chliche Wert der Daten Vorhersage \u2013 der Wert der vorhergesagten […]<\/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
So berechnen Sie MAPE in Python<\/strong><\/h3>\n
import numpy<\/span> as np<\/span>\n\ndef<\/span> mape( actual<\/span> , pred<\/span> ): \n actual, pred = np.array(actual), np.array(pred)\n return<\/span> np.mean(np.abs((actual - pred) \/ actual)) * 100\n<\/strong><\/pre>\n actual = [12, 13, 14, 15, 15,22, 27]\npred = [11, 13, 14, 14, 15, 16, 18]\n\nmap(actual, pred)\n\n10.8009\n<\/strong><\/pre>\n
Vorsichtsma\u00dfnahmen f\u00fcr die Verwendung von MAPE<\/strong><\/span><\/h3>\n