Как интерпретировать значения mape

Одним из наиболее часто используемых показателей для измерения точности прогноза модели является средняя абсолютная процентная ошибка , часто называемая MAPE .

Он рассчитывается следующим образом:

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

Золото:

• Σ – символ, означающий «сумма».
• n – Размер выборки
• фактическое — реальная ценность данных.
• прогноз – прогнозируемая ценность данных.

MAPE обычно используется, потому что его легко интерпретировать. Например , значение MAPE, равное 14 %, означает, что средняя разница между прогнозируемым значением и фактическим значением составляет 14 %.

В следующем примере показано, как вычислить и интерпретировать значение MAPE для данной модели.

Пример: интерпретация значения MAPE для данной модели

Предположим, продуктовая сеть строит модель для прогнозирования будущих продаж. На следующей диаграмме показаны фактические и прогнозируемые продажи модели для 12 последовательных периодов продаж:

Мы можем использовать следующую формулу для расчета абсолютной процентной ошибки каждого прогноза:

• Абсолютный процент ошибок = |фактический прогноз| / |реальный| *100

Затем мы можем вычислить среднее значение абсолютного процента ошибок:

MAPE для этой модели составляет 5,12% .

Это говорит нам о том, что средняя абсолютная процентная ошибка между прогнозируемыми моделью продажами и фактическими продажами составляет 5,12% .

Определение того, является ли это хорошим значением для MAPE, зависит от отраслевых стандартов.

Если стандартная пищевая промышленность производит модель со значением MAPE 2%, то это значение 5,12% можно считать высоким.

И наоборот, если большинство отраслевых моделей прогнозирования продуктовых магазинов дают значения MAPE от 10% до 15%, то значение MAPE 5,12% можно считать низким, и эту модель можно считать превосходной для прогнозирования будущих продаж.

Сравнение значений MAPE разных моделей

MAPE особенно полезен для сравнения соответствия различных моделей.

Например, предположим, что продуктовая сеть хочет создать модель для прогнозирования будущих продаж и найти наилучшую возможную модель среди нескольких потенциальных моделей.

Предположим, они соответствуют трем различным моделям и находят соответствующие им значения MAPE:

• MAPE модели 1: 14,5%
• Модель 2 MAPE: 16,7%
• Модель 3 MAPE: 9,8%

Модель 3 имеет самое низкое значение MAPE, что говорит нам о том, что она способна прогнозировать будущие продажи с наибольшей точностью среди трех потенциальных моделей.

Дополнительные ресурсы

Как рассчитать MAPE в Excel
Как рассчитать MAPE в R
Как рассчитать MAPE в Python
Калькулятор MAPE