Hoe mape-waarden te interpreteren

Een van de meest gebruikte maatstaven om de voorspellingsnauwkeurigheid van een model te meten is de gemiddelde absolute procentuele fout , vaak afgekort tot MAPE .

Het wordt als volgt berekend:

MAPE = (1/n) * Σ(|actueel – voorspelling| / |actueel|) * 100

Goud:

• Σ – Een symbool dat “som” betekent
• n – Steekproefgrootte
• feitelijk – De echte waarde van de gegevens
• voorspelling – De voorspelde waarde van gegevens

MAPE wordt vaak gebruikt omdat het gemakkelijk te interpreteren is. Een MAPE-waarde van 14% betekent bijvoorbeeld dat het gemiddelde verschil tussen de voorspelde waarde en de werkelijke waarde 14% is .

In het volgende voorbeeld ziet u hoe u een MAPE-waarde voor een bepaald model berekent en interpreteert.

Voorbeeld: interpreteer de MAPE-waarde voor een bepaald model

Stel dat een supermarktketen een model bouwt om toekomstige verkopen te voorspellen. Het volgende diagram toont de werkelijke verkopen en verwachte verkopen van het model voor twaalf opeenvolgende verkoopperioden:

We kunnen de volgende formule gebruiken om de absolute procentuele fout van elke voorspelling te berekenen:

• Absoluut foutpercentage = |werkelijke voorspelling| / |echt| *100

We kunnen dan het gemiddelde van de absolute foutpercentages berekenen:

De MAPE voor dit model blijkt 5,12% te zijn.

Dit vertelt ons dat de gemiddelde absolute procentuele fout tussen de door het model voorspelde verkoop en de werkelijke verkoop 5,12% bedraagt.

Bepalen of dit een goede waarde is voor MAPE, hangt af van industriestandaarden.

Als de standaard voedingsindustrie in het model een MAPE-waarde van 2% oplevert, dan kan deze waarde van 5,12% als hoog worden beschouwd.

Omgekeerd, als de meeste prognosemodellen voor de supermarktsector MAPE-waarden tussen 10% en 15% opleveren, kan een MAPE-waarde van 5,12% als laag worden beschouwd en kan dit model als uitstekend worden beschouwd voor het voorspellen van toekomstige verkopen.

Vergelijking van MAPE-waarden van verschillende modellen

MAPE is vooral handig voor het vergelijken van de pasvorm van verschillende modellen.

Stel bijvoorbeeld dat een supermarktketen een model wil creëren om toekomstige verkopen te voorspellen en het best mogelijke model wil vinden uit verschillende potentiële modellen.

Laten we aannemen dat ze overeenkomen met drie verschillende modellen en de bijbehorende MAPE-waarden vinden:

• MAPE van model 1: 14,5%
• Model 2 KAART: 16,7%
• Model 3 KAART: 9,8%

Model 3 heeft de laagste MAPE-waarde, wat ons vertelt dat het toekomstige verkopen met de hoogste nauwkeurigheid kan voorspellen van de drie potentiële modellen.

Aanvullende bronnen

Hoe MAPE in Excel te berekenen
Hoe MAPE in R te berekenen
Hoe MAPE in Python te berekenen
MAPE-rekenmachine