Mape အတွက် ကောင်းသောတန်ဖိုးဟု အဘယ်အရာက ယူဆသနည်း။

မော်ဒယ်တစ်ခု၏ ခန့်မှန်းချက် တိကျမှုကို တိုင်းတာရန် အသုံးအများဆုံး မက်ထရစ်များထဲမှ တစ်ခုမှာ MAPE ဖြစ်ပြီး ဆိုလိုသည်မှာ လုံးဝ ရာခိုင်နှုန်း အမှားအယွင်းကို ဆိုလိုသည်။

MAPE တွက်ချက်ရန် ဖော်မြူလာမှာ အောက်ပါအတိုင်း ဖြစ်ပါသည်။

MAPE = (1/n) * Σ(|အမှန်တကယ် – ခန့်မှန်းချက်| / |actual|) * 100

ရွှေ-

• ∑ – “ပေါင်း” ဟု အဓိပ္ပာယ်ရသော ဖန်စီသင်္ကေတ
• n – နမူနာအရွယ်အစား
• real – ဒေတာ၏ အမှန်တကယ်တန်ဖိုး
• ခန့်မှန်းချက် – ဒေတာ၏မျှော်မှန်းတန်ဖိုး

MAPE ကို အဓိပ္ပာယ်ဖွင့်ဆိုရန် လွယ်ကူသောကြောင့် အသုံးများသည်။ ဥပမာအားဖြင့်၊ MAPE တန်ဖိုး 8% ဆိုသည်မှာ ခန့်မှန်းထားသောတန်ဖိုးနှင့် အမှန်တကယ်တန်ဖိုးကြား ပျမ်းမျှကွာခြားချက်မှာ 8% ဖြစ်သည်။

ဤမက်ထရစ်ကို အသုံးပြုသည့်အခါ လူအများမေးလေ့ရှိသည့် မေးခွန်းများထဲမှတစ်ခုမှာ-

MAPE အတွက် ကောင်းသောတန်ဖိုးကား အဘယ်နည်း။

အဆင်မပြေတဲ့အဖြေ- အဲဒါမူတည်တယ် ။

ထင်ရှားသည်မှာ၊ MAPE တန်ဖိုးနိမ့်လေ၊ ပိုကောင်းသည်၊ သို့သော် သင်သည် “ ကောင်း” သို့မဟုတ် “ ဆိုး” ဟုခေါ်ဆိုနိုင်သည့် သီးခြားတန်ဖိုးမရှိပါ။ ၎င်းသည် အချက်များစွာပေါ်တွင် မူတည်သည်-

• လုပ်ငန်းအမျိုးအစား
• ရိုးရှင်းသော ခန့်မှန်းချက်မော်ဒယ်နှင့် နှိုင်းယှဉ်ထားသော MAPE တန်ဖိုး

ဒီအချက်နှစ်ချက်ကို နက်နက်နဲနဲ လေ့လာကြည့်ရအောင်။

MAPE သည် လုပ်ငန်းအလိုက်ကွဲပြားသည်။

မကြာခဏဆိုသလို၊ ကုမ္ပဏီများသည် ၎င်းတို့၏ထုတ်ကုန်များအတွက် ၀ယ်လိုအားနှင့်ပတ်သက်သည့် ခန့်မှန်းချက်များကို ဖန်တီးကြပြီး ခန့်မှန်းချက်များ၏တိကျမှုကိုတိုင်းတာရန် MAPE ကို အသုံးပြုကြသည်။

ကံမကောင်းစွာဖြင့်၊ လုပ်ငန်းအမျိုးအစားပေါ် မူတည်၍ သိသိသာသာကွဲပြားနိုင်သောကြောင့် “ စံ” MAPE တန်ဖိုးမရှိပါ။

ဥပမာအားဖြင့်၊ ၎င်း၏စျေးနှုန်းများကို ပြောင်းလဲခဲသော ကုမ္ပဏီတစ်ခုသည် တည်ငြိမ်ပြီး ကြိုတင်ခန့်မှန်းနိုင်သော ဝယ်လိုအားရှိနိုင်သည်၊ ဆိုလိုသည်မှာ ၎င်းတွင် အလွန်နိမ့်သော MAPE မော်ဒယ်ကို ထုတ်လုပ်သည့် 3% ထက်နည်းသော မော်ဒယ်တစ်ခု ဖြစ်နိုင်သည်။

ပရိုမိုးရှင်းများနှင့် အထူးကမ်းလှမ်းချက်များကို အဆက်မပြတ်လုပ်ဆောင်နေသည့် အခြားစီးပွားရေးလုပ်ငန်းများအတွက်၊ ၎င်းတို့၏ ဝယ်လိုအားသည် အချိန်နှင့်အမျှ သိသိသာသာ ကွဲပြားသွားမည်ဖြစ်ပြီး၊ ထို့ကြောင့် ခန့်မှန်းချက်ပုံစံတစ်ခုသည် ဝယ်လိုအားကို တိကျစွာခန့်မှန်းရန် ပိုမိုခက်ခဲလာပေလိမ့်မည်၊ ဆိုလိုသည်မှာ မော်ဒယ်များသည် MAPE အတွက် တန်ဖိုးပိုများနိုင်သည်။

သင်သည် MAPE အတွက် “ စက်မှုလုပ်ငန်းစံနှုန်းများ” ကို အလွန်သံသယဖြစ်သင့်သည်။

MAPE ကို ရိုးရှင်းသော ခန့်မှန်းချက်ပုံစံနှင့် နှိုင်းယှဉ်ပါ။

သင့်မော်ဒယ်၏ MAPE ကို မထင်သလို “ ကောင်း” တန်ဖိုးနှင့် နှိုင်းယှဉ်ရန် ကြိုးစားမည့်အစား၊ ၎င်းကို ရိုးရှင်းသော ခန့်မှန်းချက်မော်ဒယ်များ၏ MAPE နှင့် နှိုင်းယှဉ်သင့်သည်။

လူသိများသော ရိုးရှင်းသော ခန့်မှန်းချက် မော်ဒယ်နှစ်ခု ရှိပါသည်။

1. ပျမ်းမျှခန့်မှန်းချက်နည်းလမ်း။

ဤခန့်မှန်းချက်ပုံစံအမျိုးအစားသည် လာမည့်လာမည့်ကာလ၏တန်ဖိုးသည် ယခင်ကာလများအားလုံး၏ပျမ်းမျှဖြစ်မည်ဟု ရိုးရိုးရှင်းရှင်းခန့်မှန်းသည်။ ဤနည်းလမ်းသည် အလွန်ရိုးရှင်းသည်ဟု ထင်ရသော်လည်း လက်တွေ့တွင် ရလဒ်ကောင်းများ ပေးတတ်သည်။

2. နုံအသောခန့်မှန်းချက်နည်းလမ်း။

ဤကြိုတင်ခန့်မှန်းမှုပုံစံအမျိုးအစားသည် လာမည့်လာမည့်ကာလ၏တန်ဖိုးသည် ယခင်ကာလနှင့် ညီမျှလိမ့်မည်ဟု ဟောကိန်းထုတ်သည်။ တစ်ဖန်၊ ဤနည်းလမ်းသည် အလွန်ရိုးရှင်းသော်လည်း၊ ၎င်းသည် အံ့သြဖွယ်ကောင်းလောက်အောင် လုပ်ဆောင်လေ့ရှိပါသည်။

ခန့်မှန်းချက်ပုံစံအသစ်ကို တီထွင်သည့်အခါ၊ ထိုပုံစံ၏ MAPE ကို ဤရိုးရှင်းသော ခန့်မှန်းချက်နည်းလမ်းနှစ်ခု၏ MAPE နှင့် နှိုင်းယှဉ်သင့်သည်။

သင့်မော်ဒယ်အသစ်၏ MAPE သည် ဤနည်းလမ်းနှစ်ခုထက် သိသိသာသာ ကောင်းမွန်ခြင်းမရှိပါက၊ ၎င်းကို သင့်အနေဖြင့် အသုံးဝင်သည်ဟု မယူဆသင့်ပေ။

နောက်ဆုံးအတွေးများ

MAPE ကို တွင်ကျယ်စွာအသုံးပြုပြီး အဓိပ္ပာယ်ပြန်ဆိုရန် လွယ်ကူသော်လည်း၊ ၎င်း၏အသုံးပြုမှုအတွက် ဖြစ်နိုင်ခြေရှိသော အားနည်းချက်အချို့ရှိပါသည်။

1. absolute percentage error သည် |actual-forecast| ဖြစ်သောကြောင့်၊ /|အစစ်| ဆိုလိုသည်မှာ အမှန်တကယ်တန်ဖိုးများသည် သုညဖြစ်လျှင် ၎င်းကို သတ်မှတ်မည်မဟုတ်ပါ။

2. MAPE ကို အသံအတိုးအကျယ်ဒေတာဖြင့် အသုံးမပြုသင့်ပါ။ ဥပမာအားဖြင့်၊ ပစ္စည်းတစ်ခုအတွက် အမှန်တကယ်ဝယ်လိုအားသည် 2 ဖြစ်ပြီး ခန့်မှန်းချက်မှာ 1 ဖြစ်ပါက၊ ပကတိရာခိုင်နှုန်းအမှားတန်ဖိုးသည် |2-1| ဖြစ်လိမ့်မည်။ /|2| = 50% သည် ခန့်မှန်းချက် 1 ယူနစ်ဖြင့်သာ ပိတ်ထားသော်လည်း ခန့်မှန်းချက်အမှားအယွင်းကို အတော်လေးမြင့်မားစေသည်။

MAPE အတွက် ဖြစ်နိုင်ချေရှိသော အခြားရွေးချယ်စရာများတွင် ဆိုလိုရင်း လုံးဝသွေဖည်ခြင်းနှင့် ပျမ်းမျှ နှစ်ထပ်ကိန်းအမှား ပါဝင်သည်။

ထပ်လောင်းအရင်းအမြစ်များ

Excel တွင် MAPE တွက်ချက်နည်း
MAPE ကို R ဖြင့် တွက်နည်း
Python တွင် MAPE တွက်ချက်နည်း
ကောင်းမွန်သော RMSE တန်ဖိုးကို အဘယ်အရာက သတ်မှတ်သနည်း။