【scikit-learn】sklearn.metrics.mean_absolute_percentage_error() 函数：回归模型评估指标 平均绝对百分比误差（MAPE）

sklearn.metrics.mean_absolute_percentage_error

mean_absolute_percentage_error（MAPE，平均绝对百分比误差）是 sklearn.metrics 提供的一个 回归模型评估指标，用于计算 预测值相对于真实值的平均绝对百分比误差。

---

1. mean_absolute_percentage_error 计算公式

$$MAPE=\frac{1}{n}\sum _{i=1}^n\left|\frac{y_i-{\hat{y}}_i}{y_i}\right|\times 100\%$$
其中：

• $n$ 是样本数
• $y_i$ 是真实值
• ${\hat{y}}_i$ 是预测值
• $\left|\frac{y_i-{\hat{y}}_i}{y_i}\right|$ 是预测误差的相对百分比

解释

• MAPE 衡量误差相对于真实值的比例，以百分比形式表示。
• MAPE 越小，表示模型预测误差越小。
• 如果某个 $y_i$ 真实值为 0，则 MAPE 无法计算，因此适用于所有 $y_i\ne 0$ 的情况。

---

2. mean_absolute_percentage_error 代码示例

from sklearn.metrics import mean_absolute_percentage_error

# 真实值和预测值
y_true = [100, 200, 300, 400]
y_pred = [90, 210, 310, 390]

# 计算 MAPE
mape = mean_absolute_percentage_error(y_true, y_pred)
print(f"MAPE: {mape:.2%}")

输出

MAPE: 3.75%

解释

• 计算每个样本的误差：
  • $\left|\frac{100-90}{100}\right|=0.10$（10%）
  • $\left|\frac{200-210}{200}\right|=0.05$（5%）
  • $\left|\frac{300-310}{300}\right|=0.0333$（3.33%）
  • $\left|\frac{400-390}{400}\right|=0.025$（2.5%）
• 计算平均值：
  $$MAPE=\frac{10\%+5\%+3.33\%+2.5\%}{4}=3.75\%$$

---

3. mean_absolute_percentage_error 的参数

mean_absolute_percentage_error(y_true, y_pred, sample_weight=None)

参数	说明
y_true	真实值
y_pred	预测值
sample_weight	样本权重

---

4. mean_absolute_percentage_error 适用场景

• 回归任务（如销售预测、市场趋势预测）
• 衡量预测误差的相对大小（适用于不同尺度的变量）
• 适用于所有真实值 $y_i\ne 0$，否则可能会导致计算问题

---

5. mean_absolute_percentage_error vs. 其他误差指标

指标	计算公式	适用场景
mean_absolute_error（MAE）	$\frac{1}{n}\sum |y_i-{\hat{y}}_i|$	衡量误差的绝对大小，对离群值不敏感
mean_squared_error（MSE）	$\frac{1}{n}\sum (y_i-{\hat{y}}_i{)}^2$	强调较大误差，对离群值敏感
root_mean_squared_error（RMSE）	$\sqrt{MSE}$	与 MSE 相似，但单位与目标变量相同
r2_score	解释方差比例	衡量模型的拟合程度
mean_absolute_percentage_error（MAPE）	$\frac{1}{n}\sum \left|\frac{y_i-{\hat{y}}_i}{y_i}\right|$	衡量误差相对于真实值的比例，不适用于真实值接近 0 的情况

示例：

from sklearn.metrics import mean_absolute_error, mean_squared_error, r2_score

mae = mean_absolute_error(y_true, y_pred)
mse = mean_squared_error(y_true, y_pred)
rmse = mean_squared_error(y_true, y_pred, squared=False)
r2 = r2_score(y_true, y_pred)

print(f"MAE: {mae:.2f}")
print(f"MSE: {mse:.2f}")
print(f"RMSE: {rmse:.2f}")
print(f"R²: {r2:.2f}")

---

6. 结论

• mean_absolute_percentage_error 计算 预测值相对于真实值的平均绝对百分比误差，适用于 回归任务。
• 适用于 衡量误差的相对大小，但 不适用于真实值可能为 0 的情况。
• 可与 MAE、MSE、RMSE、R² 结合使用，以更全面评估模型。