<\/p>\n
Do pomiaru dok\u0142adno\u015bci predykcyjnej modeli powszechnie stosuje si\u0119 \u015bredni bezwzgl\u0119dny b\u0142\u0105d procentowy (MAPE)<\/strong> . Oblicza si\u0119 go w nast\u0119puj\u0105cy spos\u00f3b:<\/span><\/p>\n MAPE<\/strong> = (1\/n) * \u03a3(|rzeczywista \u2013 prognoza| \/ |rzeczywista|) * 100<\/span><\/p>\n Z\u0142oto:<\/span><\/p>\n MAPE jest powszechnie stosowany, poniewa\u017c jest \u0142atwy do interpretacji i wyja\u015bnienia. Na przyk\u0142ad warto\u015b\u0107 MAPE wynosz\u0105ca 11,5% oznacza, \u017ce \u015brednia r\u00f3\u017cnica mi\u0119dzy warto\u015bci\u0105 przewidywan\u0105 a warto\u015bci\u0105 rzeczywist\u0105 wynosi 11,5%.<\/span><\/p>\n Im ni\u017csza warto\u015b\u0107 MAPE, tym lepiej model jest w stanie przewidzie\u0107 warto\u015bci. Na przyk\u0142ad model z MAPE wynosz\u0105cym 5% jest dok\u0142adniejszy ni\u017c model z MAPE wynosz\u0105cym 10%.<\/span><\/p>\n Nie ma wbudowanej funkcji Pythona do obliczania MAPE, ale mo\u017cemy stworzy\u0107 prost\u0105 funkcj\u0119, kt\u00f3ra to zrobi:<\/span><\/p>\n Mo\u017cemy nast\u0119pnie u\u017cy\u0107 tej funkcji do obliczenia MAPE dla dw\u00f3ch tabel: jednej zawieraj\u0105cej rzeczywiste warto\u015bci danych i drugiej zawieraj\u0105cej przewidywane warto\u015bci danych.<\/span><\/p>\n Z wynik\u00f3w wida\u0107, \u017ce \u015bredni bezwzgl\u0119dny b\u0142\u0105d procentowy dla tego modelu wynosi 10,8009%<\/strong> . Innymi s\u0142owy, \u015brednia r\u00f3\u017cnica mi\u0119dzy warto\u015bci\u0105 przewidywan\u0105 a warto\u015bci\u0105 rzeczywist\u0105 wynosi 10,8009%.<\/span><\/p>\n Chocia\u017c MAPE jest \u0142atwy do obliczenia i interpretacji, jego u\u017cycie ma dwie potencjalne wady:<\/span><\/p>\n 1.<\/strong> Poniewa\u017c wz\u00f3r na obliczenie bezwzgl\u0119dnego b\u0142\u0119du procentowego to |rzeczywista prognoza| \/ |prawdziwy| oznacza to, \u017ce MAPE nie zostanie zdefiniowany, je\u015bli kt\u00f3rakolwiek z rzeczywistych warto\u015bci b\u0119dzie wynosi\u0107 zero.<\/span><\/p>\n 2.<\/strong> Nie nale\u017cy u\u017cywa\u0107 MAPE w przypadku ma\u0142ych ilo\u015bci danych. Na przyk\u0142ad, je\u015bli rzeczywisty popyt na artyku\u0142 wynosi 2, a prognoza wynosi 1, bezwzgl\u0119dna warto\u015b\u0107 b\u0142\u0119du procentowego b\u0119dzie wynosi\u0107 |2-1| \/ |2| = 50%, co sprawia, \u017ce b\u0142\u0105d prognozy wydaje si\u0119 do\u015b\u0107 wysoki, nawet je\u015bli prognoza r\u00f3\u017cni si\u0119 tylko o 1 jednostk\u0119.<\/span><\/p>\n","protected":false},"excerpt":{"rendered":" Do pomiaru dok\u0142adno\u015bci predykcyjnej modeli powszechnie stosuje si\u0119 \u015bredni bezwzgl\u0119dny b\u0142\u0105d procentowy (MAPE) . Oblicza si\u0119 go w nast\u0119puj\u0105cy spos\u00f3b: MAPE = (1\/n) * \u03a3(|rzeczywista \u2013 prognoza| \/ |rzeczywista|) * 100 Z\u0142oto: \u03a3 \u2013 symbol oznaczaj\u0105cy \u201esum\u0119\u201d n \u2013 wielko\u015b\u0107 pr\u00f3by real \u2013 rzeczywista warto\u015b\u0107 danych predykcja \u2013 warto\u015b\u0107 przewidywanych danych MAPE jest powszechnie stosowany, […]<\/p>\n","protected":false},"author":1,"featured_media":0,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"footnotes":""},"categories":[3],"tags":[],"class_list":["post-832","post","type-post","status-publish","format-standard","hentry","category-przewodnik"],"yoast_head":"\n\n
Jak obliczy\u0107 MAPE w Pythonie<\/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
\u015arodki ostro\u017cno\u015bci podczas korzystania z MAPE<\/strong><\/span><\/h3>\n