Что считается хорошей ценностью для mape?

Одной из наиболее часто используемых метрик для измерения точности прогноза модели является MAPE , что означает среднюю абсолютную процентную ошибку .

Формула расчета MAPE выглядит следующим образом:

MAPE = (1/n) * Σ(|факт – прогноз| / |факт|) * 100

Золото:

• Σ – причудливый символ, означающий «сумма».
• n – размер выборки
• реальный – фактическое значение данных
• прогноз – ожидаемое значение данных

MAPE широко используется, поскольку его легко интерпретировать и объяснять. Например, значение MAPE, равное 8 %, означает, что средняя разница между прогнозируемым значением и фактическим значением составляет 8 %.

Один из наиболее частых вопросов, которые люди задают при использовании этой метрики:

Какова хорошая ценность для MAPE?

Неудовлетворительный ответ: это зависит .

Очевидно, что чем ниже значение MAPE, тем лучше, но не существует конкретного значения, которое можно было бы назвать «хорошим» или «плохим». Это зависит от нескольких факторов:

• Тип промышленности
• Значение MAPE по сравнению с простой прогнозной моделью

Давайте рассмотрим эти два фактора более подробно.

MAPE зависит от отрасли

Часто компании создают прогнозы спроса на свою продукцию, а затем используют MAPE для измерения точности прогнозов.

К сожалению, не существует «стандартного» значения MAPE, поскольку оно может существенно различаться в зависимости от типа бизнеса.

Например, компания, которая редко меняет свои цены, скорее всего, будет иметь стабильный и предсказуемый спрос, то есть у нее может быть модель, обеспечивающая очень низкий MAPE, возможно, менее 3%.

Что касается других предприятий, которые постоянно проводят рекламные акции и специальные предложения, их спрос будет значительно меняться с течением времени, поэтому модели прогнозирования, вероятно, будет сложнее предсказать спрос с такой же точностью, а это означает, что модели могут иметь более высокую ценность для MAPE.

Вы должны очень скептически относиться к «отраслевым стандартам» MAPE.

Сравните MAPE с простой моделью прогнозирования

Вместо того, чтобы пытаться сравнить MAPE вашей модели с произвольным «хорошим» значением, вам следует сравнить его с MAPE простых моделей прогнозирования.

Существуют две широко известные простые модели прогнозирования:

1. Метод среднего прогноза.

Этот тип модели прогнозирования просто предсказывает, что значение следующего предстоящего периода будет средним значением всех предыдущих периодов. Хотя этот метод кажется слишком упрощенным, на практике он обычно дает хорошие результаты.

2. Наивный метод прогнозирования.

Этот тип модели прогнозирования предсказывает, что значение следующего предстоящего периода будет равно значению предыдущего периода. Опять же, хотя этот метод довольно прост, он работает на удивление хорошо.

При разработке новой модели прогнозирования вам следует сравнить MAPE этой модели с MAPE этих двух простых методов прогнозирования.

Если MAPE вашей новой модели не значительно лучше, чем эти два метода, то вам не следует считать его полезным.

Последние мысли

Хотя MAPE широко используется и его легко интерпретировать, его использование имеет некоторые потенциальные недостатки:

1. Поскольку формула расчета абсолютной процентной ошибки |факт-прогноз| / |реальный| это означает, что он не будет установлен, если какое-либо из фактических значений равно нулю.

2. MAPE не следует использовать с данными небольшого объема. Например, если фактический спрос на товар равен 2, а прогноз равен 1, значение абсолютной процентной ошибки будет |2-1| / |2| = 50%, что делает ошибку прогноза довольно высокой, даже если прогноз отклоняется всего на 1 единицу.

Потенциальные альтернативы MAPE включают среднее абсолютное отклонение и среднеквадратическую ошибку.

Дополнительные ресурсы

Как рассчитать MAPE в Excel
Как рассчитать MAPE в R
Как рассчитать MAPE в Python
Что считается хорошим значением RMSE?