Jak interpretować wartości mape

Jedną z najczęściej używanych metryk do pomiaru dokładności prognozy modelu jest średni bezwzględny błąd procentowy , często w skrócie MAPE .

Oblicza się go w następujący sposób:

MAPE = (1/n) * Σ(|rzeczywista – prognoza| / |rzeczywista|) * 100

Złoto:

• Σ – symbol oznaczający „sumę”
• n – wielkość próbki
• current – Rzeczywista wartość danych
• prognoza – przewidywana wartość danych

MAPE jest powszechnie używany, ponieważ jest łatwy w interpretacji. Na przykład wartość MAPE wynosząca 14% oznacza, że średnia różnica między wartością przewidywaną a wartością rzeczywistą wynosi 14%.

Poniższy przykład pokazuje, jak obliczyć i zinterpretować wartość MAPE dla danego modelu.

Przykład: zinterpretuj wartość MAPE dla danego modelu

Załóżmy, że sieć spożywcza buduje model prognozowania przyszłej sprzedaży. Poniższy wykres przedstawia rzeczywistą sprzedaż modelu oraz prognozę sprzedaży na 12 kolejnych okresów sprzedażowych:

Do obliczenia bezwzględnego błędu procentowego każdej prognozy możemy użyć następującego wzoru:

• Procent błędu bezwzględnego = |rzeczywista prognoza| / |prawdziwy| *100

Następnie możemy obliczyć średnią wartości procentowych błędów bezwzględnych:

MAPE dla tego modelu okazuje się wynosić 5,12% .

To mówi nam, że średni bezwzględny błąd procentowy między sprzedażą przewidywaną przez model a sprzedażą rzeczywistą wynosi 5,12% .

Ustalenie, czy jest to dobra wartość dla MAPE, zależy od standardów branżowych.

Jeżeli standardowy przemysł spożywczy produkuje model o wartości MAPE wynoszącej 2%, wówczas wartość tę wynoszącą 5,12% można uznać za wysoką.

I odwrotnie, jeśli większość branżowych modeli prognoz artykułów spożywczych generuje wartości MAPE od 10% do 15%, wówczas wartość MAPE wynoszącą 5,12% można uznać za niską i model ten można uznać za doskonały do prognozowania przyszłej sprzedaży.

Porównanie wartości MAPE różnych modeli

MAPE jest szczególnie przydatny do porównywania dopasowania różnych modeli.

Załóżmy na przykład, że sieć spożywcza chce stworzyć model do prognozowania przyszłej sprzedaży i chce znaleźć najlepszy możliwy model spośród kilku potencjalnych modeli.

Załóżmy, że pasują do trzech różnych modeli i znajdują odpowiadające im wartości MAPE:

• MAPA Modelu 1: 14,5%
• Model 2 MAPE: 16,7%
• Model 3 MAPE: 9,8%

Model 3 ma najniższą wartość MAPE, co mówi nam, że jest w stanie prognozować przyszłą sprzedaż z największą dokładnością spośród trzech potencjalnych modeli.

Dodatkowe zasoby

Jak obliczyć MAPE w Excelu
Jak obliczyć MAPE w R
Jak obliczyć MAPE w Pythonie
Kalkulator MAPE