Як інтерпретувати значення mape

Одним із найбільш часто використовуваних показників для вимірювання точності прогнозу моделі є середня абсолютна відсоткова помилка , яку часто скорочують до MAPE .

Він розраховується таким чином:

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

золото:

• Σ – символ, що означає «сума»
• n – розмір вибірки
• фактичне – справжнє значення даних
• прогноз – прогнозоване значення даних

MAPE зазвичай використовується, оскільки його легко інтерпретувати. Наприклад , значення MAPE 14% означає, що середня різниця між прогнозованим значенням і фактичним значенням становить 14%.

У наступному прикладі показано, як обчислити та інтерпретувати значення MAPE для певної моделі.

Приклад: інтерпретація значення MAPE для даної моделі

Припустімо, мережа продуктових магазинів створює модель для прогнозування майбутніх продажів. На наступній діаграмі показано фактичні продажі моделі та прогнозовані продажі за 12 послідовних періодів продажів:

Щоб обчислити абсолютну відсоткову похибку кожного прогнозу, ми можемо використати таку формулу:

• Відсоток абсолютної помилки = |фактичний прогноз| / |справжній| *100

Тоді ми можемо обчислити середнє значення абсолютних відсотків помилок:

MAPE для цієї моделі виявляється 5,12% .

Це говорить нам про те, що середня абсолютна відсоткова похибка між продажами, передбаченими моделлю, і фактичними продажами становить 5,12% .

Визначення того, чи є це хорошим значенням для MAPE, залежить від галузевих стандартів.

Якщо стандартна харчова промисловість виробляє модель зі значенням MAPE 2%, то це значення 5,12% можна вважати високим.

І навпаки, якщо більшість галузевих моделей прогнозування продуктових товарів дають значення MAPE від 10% до 15%, тоді значення MAPE 5,12% можна вважати низьким, і цю модель можна вважати чудовою для прогнозування майбутніх продажів.

Порівняння значень MAPE різних моделей

MAPE особливо корисний для порівняння придатності різних моделей.

Наприклад, припустімо, що мережа продуктових магазинів хоче створити модель для прогнозування майбутніх продажів і хоче знайти найкращу модель серед кількох потенційних моделей.

Припустімо, що вони відповідають трьом різним моделям, і знайдемо відповідні їм значення MAPE:

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

Модель 3 має найнижче значення MAPE, що свідчить про те, що вона здатна прогнозувати майбутні продажі з найвищою точністю серед трьох потенційних моделей.

Додаткові ресурси

Як розрахувати MAPE в Excel
Як розрахувати MAPE в R
Як розрахувати MAPE в Python
Калькулятор MAPE