<\/p>\n
O erro percentual m\u00e9dio absoluto (MAPE)<\/strong> \u00e9 comumente usado para medir a precis\u00e3o preditiva dos modelos. \u00c9 calculado da seguinte forma:<\/span><\/p>\n MAPE<\/strong> = (1\/n) * \u03a3(|real \u2013 previs\u00e3o| \/ |real|) * 100<\/span><\/p>\n Ouro:<\/span><\/p>\n MAPE \u00e9 comumente usado porque \u00e9 f\u00e1cil de interpretar e explicar. Por exemplo, um valor MAPE de 11,5% significa que a diferen\u00e7a m\u00e9dia entre o valor previsto e o valor real \u00e9 de 11,5%.<\/span><\/p>\n Quanto menor o valor do MAPE, melhor o modelo \u00e9 capaz de prever valores. Por exemplo, um modelo com MAPE de 5% \u00e9 mais preciso do que um modelo com MAPE de 10%.<\/span><\/p>\n N\u00e3o existe uma fun\u00e7\u00e3o Python integrada para calcular o MAPE, mas podemos criar uma fun\u00e7\u00e3o simples para fazer isso:<\/span><\/p>\n Podemos ent\u00e3o usar esta fun\u00e7\u00e3o para calcular o MAPE para duas tabelas: uma que cont\u00e9m os valores reais dos dados e outra que cont\u00e9m os valores dos dados previstos.<\/span><\/p>\n A partir dos resultados, podemos ver que o erro percentual absoluto m\u00e9dio para este modelo \u00e9 de 10,8009%<\/strong> . Ou seja, a diferen\u00e7a m\u00e9dia entre o valor previsto e o valor real \u00e9 de 10,8009%.<\/span><\/p>\n Embora o MAPE seja f\u00e1cil de calcular e interpretar, a sua utiliza\u00e7\u00e3o tem duas desvantagens potenciais:<\/span><\/p>\n 1.<\/strong> Como a f\u00f3rmula para calcular o erro percentual absoluto \u00e9 |previs\u00e3o real| \/ |real| isso significa que o MAPE n\u00e3o ser\u00e1 definido se algum dos valores reais for zero.<\/span><\/p>\n 2.<\/strong> O MAPE n\u00e3o deve ser usado com dados de baixo volume. Por exemplo, se a demanda real de um item for 2 e a previs\u00e3o for 1, o valor percentual absoluto do erro ser\u00e1 |2-1| \/ |2| = 50%, o que faz com que o erro de previs\u00e3o pare\u00e7a bastante alto, mesmo que a previs\u00e3o esteja errada apenas em 1 unidade.<\/span><\/p>\n","protected":false},"excerpt":{"rendered":" O erro percentual m\u00e9dio absoluto (MAPE) \u00e9 comumente usado para medir a precis\u00e3o preditiva dos modelos. \u00c9 calculado da seguinte forma: MAPE = (1\/n) * \u03a3(|real \u2013 previs\u00e3o| \/ |real|) * 100 Ouro: \u03a3 \u2013 um s\u00edmbolo que significa \u201csoma\u201d n \u2013 tamanho da amostra real \u2013 o valor real dos dados previs\u00e3o \u2013 o […]<\/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":[],"class_list":["post-833","post","type-post","status-publish","format-standard","hentry","category-guia"],"yoast_head":"\n\n
Como calcular MAPE em Python<\/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
Precau\u00e7\u00f5es ao usar MAPE<\/strong><\/span><\/h3>\n