<\/p>\n
Uno dei parametri pi\u00f9 comunemente utilizzati per misurare l’accuratezza delle previsioni di un modello \u00e8 MAPE<\/strong> , che sta per errore percentuale assoluto medio<\/strong> .<\/span><\/p>\n La formula per calcolare il MAPE \u00e8 la seguente:<\/span><\/p>\n MAPE<\/strong> = (1\/n) * \u03a3(|effettivo \u2013 previsto| \/ |effettivo|) * 100<\/span><\/p>\n Oro:<\/span><\/p>\n MAPE \u00e8 comunemente usato perch\u00e9 \u00e8 facile da interpretare e spiegare. Ad esempio, un valore MAPE del 6% significa che la differenza media tra il valore previsto e il valore effettivo \u00e8 del 6%.<\/span><\/p>\n Questo tutorial fornisce due diversi metodi che puoi utilizzare per calcolare MAPE in R.<\/span><\/p>\n Supponiamo di avere un set di dati con una colonna contenente i valori dei dati effettivi e una colonna contenente i valori dei dati previsti:<\/span><\/p>\n Per calcolare il MAPE possiamo utilizzare la seguente funzione:<\/span><\/p>\n Il MAPE per questo modello risulta essere 6,467%<\/strong> . Cio\u00e8, la differenza media assoluta tra il valore previsto e il valore effettivo \u00e8 del 6,467%.<\/span><\/p>\n Potremmo anche calcolare MAPE per lo stesso set di dati utilizzando la funzione MAPE()<\/strong> del pacchetto MLmetrics<\/strong> , che utilizza la seguente sintassi:<\/span><\/p>\n MAPE(y_pred, y_true)<\/strong><\/span><\/p>\n Oro:<\/span><\/p>\n Ecco la sintassi che utilizzeremmo nel nostro esempio:<\/span><\/p>\n Ci\u00f2 produce lo stesso valore MAPE del 6,467%<\/strong> che abbiamo calcolato utilizzando il metodo precedente.<\/span><\/p>\n","protected":false},"excerpt":{"rendered":" Uno dei parametri pi\u00f9 comunemente utilizzati per misurare l’accuratezza delle previsioni di un modello \u00e8 MAPE , che sta per errore percentuale assoluto medio . La formula per calcolare il MAPE \u00e8 la seguente: MAPE = (1\/n) * \u03a3(|effettivo \u2013 previsto| \/ |effettivo|) * 100 Oro: \u03a3 \u2013 un simbolo di fantasia che significa \u201csomma\u201d […]<\/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
Metodo 1: scrivi la tua funzione<\/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$actual)) * 100\n\n[1] 6.467108\n<\/strong><\/pre>\n Metodo 2: utilizzare un pacchetto<\/strong><\/span><\/h3>\n
\n
#load MLmetrics package<\/span>\nlibrary<\/span> (MLmetrics)\n\n#calculate MAPE<\/span>\nMAPE(data$forecast, data$actual)\n\n[1] 0.06467108<\/strong><\/pre>\n