python使用numpy包编写自定义函数计算MAPE(平均绝对百分比误差)指标mean absolute percentage error (MAPE)、MAPE指标解读、MAPE指标使用的注意事项

最新推荐文章于 2024-04-24 08:44:52 发布
最新推荐文章于 2024-04-24 08:44:52 发布
阅读量2.8k 收藏 12
点赞数 17
分类专栏： 数据科学从0到1 机器学习面试+横扫千军 文章标签： 机器学习 数据挖掘 人工智能 数据分析 r语言
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/zhongkeyuanchongqing/article/details/122814902
版权

python使用numpy包编写自定义函数计算MAPE(平均绝对百分比误差)指标mean absolute percentage error (MAPE)、MAPE指标解读、MAPE指标使用的注意事项

目录

了解本专栏 订阅专栏 解锁全文 超级会员免费看
Data+Science+Insight
关注
  • 17
    点赞
  • 踩
  • 12
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 5
    评论
专栏目录
订阅专栏
回归三大评价指标均方误差（MSE）：均方根误差（RMSE）平均绝对误差（MAE）平均绝对百分比误差 MAPE
Jiashilin
08-19 7万+
对于回归预测结果，通常会有平均绝对误差、平均绝对百分比误差、均方误差等多个指标进行评价。这里，我们先介绍最常用的3个 目录 平均绝对误差（MAE） 均方误差（MSE）：均方根误差（RMSE）​ 平均绝对百分比误差 MAPE 平均绝对误差（MAE） MAE 的值越小，说明预测模型拥有更好的精确度。The MAE is used to measure the average abso...
smape:对称平均绝对百分比误差 (SMAPE)
07-09
地图 对称平均绝对百分比误差 (SMAPE)。 用法 smape（数据集） 计算数据集的对称平均绝对百分比误差。 此函数的范围是 (0, 200)。 例子 var smape = require ( 'smape' ) ; var dataset = [ { actual : 112.3 , predicted : 124.7 } , { actual : 108.4 , predicted : 103.7 } , { actual : 148.9 , predicted : 116.6 } , { actual : 117.4 , predicted : 78.5 } ] ; smape ( dataset ) // 19.735399185285672 执照 （麻省理工学院许可证） 版权所有 (c) 2014 尼克·普尔曼 特此授予任何人免费获
python使用numpy包编写自定义函数计算SMAPE(对称平均绝对百分比误差)指标Symmetric mean absolute percentage error、SMAPE指标解读、指标使用的注
data+scenario+science+insight
02-10 1074
python使用numpy包编写自定义函数计算SMAPE(对称平均绝对百分比误差)指标Symmetric mean absolute percentage error (SMAPE)、SMAPE指标解读、SMAPE指标使用的注意事项
mape( mean absolute percent error)
u011089523的博客
04-16 2万+
论坛上看到别人回复的，觉得有用，转载了。单看mape的大小是没有意义的，因为mape是个相对值，而不是绝对值。我个人觉得，mape的大小取决于三个因素：1， 取决于数据的variability, 比如如果你有两个正态分布，均值都是0，然后两个方差一个大，一个小，你可以试试用这两个分布来产生一些随机数，你的预测是0，但是你会发现方差大的mape大一些。2. mape取决于你的模型或预测，假设现在你只...
如何在 Python 中计算 MAPE
weixin_54707168的博客
05-31 1万+
平均绝对百分比误差 (MAPE) 通常用于衡量模型的预测准确性。计算如下： MAPE = (1/n) * Σ(|实际 - 预测| / |实际|) * 100 在哪里： Σ – 表示“总和”的符号 n – 样本量 actual – 实际数据值 prediction – 预测的数据值 MAPE 是常用的，因为它易于解释和易于解释。例如，MAPE 值为 11.5% 意味着预测值与实际值之间的平均差异为 11.5%。 MAPE 的值越低，模型预测值的能力就越好。例如，MAPE 为 5% 的模型比 MAPE
预测评价指标：MSE,RMSE,MAE，MAPE，SMAPE
qq_31244453的博客
03-11 3万+
目录 前言 MSE RMSE MAPE SMAPE Python程序 前言 分类问题的评价指标是准确率，回归算法的评价指标是MSE,RMSE，MAE.测试数据集中的点，距离模型的平均距离越小，该模型越精确。使用平均距离，而不是所有测试样本的距离和，因为受样本数量影响。 假设： MSE 均方误差(Mean Square Error) 范围[0,+∞],当预测值与真实值完全吻合时等于0，即完美模型；误差越大，该值越大，模型性能越差。 RMSE 均方根误差(Root Mean
评估指标中的RMSE,MAE,MAPE分别表示什么，取值范围一般多大，优缺点有哪些？
qlkaicx的博客
01-12 9911
RMSE（Root Mean Square Error）：均方根误差。优点在于衡量预测值与真实值之间的偏差程度，数值越小表示模型的预测精度越高。此外，RMSE易于理解，计算方便，并且对异常值较为敏感。然而，RMSE的缺点在于对目标变量本身的变异性缺乏考虑，可能无法准确反映模型的性能。同时，RMSE对异常值的敏感性可能导致评价结果不够稳定。MAE（Mean Absolute Error）：平均绝对误差。优点在于计算每个样本的预测误差的绝对值的平均数，直观地表示模型预测值与真实值之间的差距大小。
预测评价指标RMSE、MSE、MAE、MAPE、SMAPE
热门推荐
藏知阁
02-21 40万+
RMSE 均方根误差（Root Mean Square Error） MSE 均方误差（Mean Square Error） MAE 平均绝对误差（Mean Absolute Error） MAPE 平均绝对百分比误差（Mean Absolute Percentage Error） ...
浅析python中numpy包中的argsort函数的使用
09-20
主要介绍了python中numpy包中的argsort函数的使用，argsort()函数在模块numpy.core.fromnumeric中，本文通过实例代码给大家介绍的非常详细，需要的朋友参考下吧
Python中Numpy包的安装与使用方法简明教程
09-20
主要介绍了Python中Numpy包的安装与使用方法,结合简单实例形式分析了Python使用pip命令在线与离线whl包安装,以及使用numpy打印随机数矩阵的操作技巧,需要的朋友可以参考下
python 的numpy库中的mean()函数用法介绍
12-20
1. mean() 函数定义： numpy.mean(a, axis=None, dtype=None, out=None, keepdims=)[source] Compute the arithmetic mean along the specified axis. Returns the average of the array elements. The average ...
Feature_Extraction.rar_extraction_numpy 均方根_python 波形因子_时域指标_波形特
07-15
时域特征提取，包括峰值、均值、均方根、峭度指标、波形因子等。 利用Python实现，用到的模块有Numpy、Pandas以及CSV等。
条件生成对抗网络（cGAN）在AI去衣技术中的应用探索
AI开源工具分享
04-17 2319
生成器G根据随机噪声和条件变量生成去衣后的图像，而判别器D则判断生成的图像是否真实且符合指定的条件。在训练过程中，生成器和判别器通过竞争和合作的方式，共同优化一个损失函数，使得生成的图像既真实又符合给定的条件。随着深度学习技术的飞速发展，生成对抗网络（GAN）作为其中的一个重要分支，在图像生成、图像修复等领域展现出了强大的能力。AI去衣技术是指利用计算机视觉和深度学习技术，对图像中的人物进行去衣处理，生成穿着不同或没有衣物的图像。cGAN作为一种强大的图像生成模型，为AI去衣技术的实现提供了有力的支持。
机器学习和深度学习 -- 李宏毅（笔记与个人理解）Day19
weixin_65403042的博客
04-17 789
和RNN比较起来, 强化了对整体序列的记忆；并且可以 认为的通过lable 训练出需要记忆的重点序列。需要注意的一点是 forget gate 的取值 ，应该交 remember gate 会好一些。是普通的network 也是两次激活函数吗？来吧 ，整个LSTM 最重要的ppt ，走动这个ppt 你就懂了LSTM的工作原理。这样应该可以，但是如果是一个很长的段落呢？图中的+ 代表我的输入；好吧导致我停更新两天的DL，我去如坐针毡啊。正常的输入和三个控制门讯号的输入。考量时间顺序的那个kaggle！
机器学习中的过拟合问题及应对策略：深入剖析与实战指南
huanfeng_AI的博客
04-21 450
综上所述，解决机器学习中的过拟合问题需要从多个方面入手。通过简化模型复杂度、增加数据量、应用正则化技术、采用早停法、利用集成学习、进行特征选择与降维以及探索模型融合与迁移学习等方法，我们可以有效降低过拟合的风险并提高模型的泛化能力。在实际应用中，我们需要根据具体任务和数据特点选择合适的策略来解决过拟合问题，并不断优化模型以达到更好的性能。
机器学习之支持向量机
weixin_50626279的博客
04-21 756
支持向量机的主要任务就是从样本空间中找到合适的划分超平面，将属于不同类别的样本分开。我们希望找到的决策边界距离两个类别中位于边界上的点最远。
5.机器学习-十大算法之一岭回归（Ridge）算法原理讲解
weixin_50804299的博客
04-18 2223
岭回归是一种改良的最小二乘估计法，它通过引入L2范数惩罚项来处理多重共线性问题，并提高模型的稳定性和泛化能力。在机器学习和统计学中，回归分析是研究变量间关系的重要方法。当自变量之间存在高度相关性时，普通最小二乘法可能导致系数估计值不稳定，影响模型的泛化能力。为了解决这个问题，岭回归被提出。它在最小二乘法的基础上，对系数向量添加了一个L2范数惩罚项，这个惩罚项等于所有回归系数平方和的λ倍（λ为惩罚系数）。这样做的目的是约束模型的复杂度，避免过拟合，同时保持模型的解释力。以山河作礼。
每天五分钟机器学习：神经网络模型参数的选择
huanfeng_AI的博客
04-21 232
神经网络的模型参数选择是一个复杂而关键的过程。在实际应用中，我们需要根据任务需求、计算资源以及模型的性能来进行综合考虑和调优。通过选择合适的参数和调优方法，我们可以构建出性能优异、泛化能力强的神经网络模型，为深度学习和人工智能的应用提供有力支持。
机器学习笔记（一）基本概念
最新发布
qq_47343046的博客
04-24 403
并不是为了得到最后的运算结果，而是。
python计算mape
09-02
### 回答1： MAPE（Mean Absolute Percentage Error，平均绝对百分比误差）是一种常用的衡量预测精度的指标，计算公式为： $$MAPE = \frac{100\%}{n}\sum_{i=1}^{n}\left|\frac{y_i-\hat{y_i}}{y_i}\right|$$ 其中，$n$为样本数量，$y_i$为实际值，$\hat{y_i}$为预测值。 下面是Python代码实现MAPE的计算： ```python def mape(y_true, y_pred): """ 计算MAPE :param y_true: 真实值 :param y_pred: 预测值 :return: MAPE """ n = len(y_true) sum_ape = 0 for i in range(n): if y_true[i] != 0: sum_ape += abs(y_true[i] - y_pred[i]) / y_true[i] mape = sum_ape / n * 100 return mape ``` 其中，`y_true`为真实值，`y_pred`为预测值。这个函数会返回计算出来的MAPE值，单位为百分比。 ### 回答2： MAPE（Mean Absolute Percentage Error）是一个常用于衡量预测误差的指标，可以用来评估预测模型的准确性和精确度。Python可以使用以下步骤来计算MAPE。 1. 首先，我们需要有真实值和预测值的列表。假设我们有真实值列表true_values和预测值列表predicted_values。 2. 接下来，我们可以定义计算MAPE的函数。可以使用以下代码片段计算MAPE： def calculate_mape(true_values, predicted_values): n = len(true_values) mape = 0 for i in range(n): mape += abs((true_values[i] - predicted_values[i]) / true_values[i]) mape = (mape / n) * 100 return mape 3. 然后，我们可以调用这个函数来计算MAPE。例如： mape = calculate_mape(true_values, predicted_values) print("MAPE:", mape) 这样就可以得到MAPE的计算结果。 需要注意的是，计算MAPE的过程中，我们首先对每个预测值和真实值的差值取绝对值，然后再除以真实值，最后求平均值并乘以100。这样计算出来的MAPE是一个百分比值，可以用来评估预测模型的准确度，值越小表示预测模型越准确。 ### 回答3： MAPE（Mean Absolute Percentage Error）是一种常用的评估预测模型准确度的指标，它可以用于衡量模型的预测误差的平均百分比。 在Python中，可以使用以下代码计算MAPE： ``` def calculate_mape(actual, predicted): errors = abs(actual - predicted) relative_errors = errors / actual mape = np.mean(relative_errors) * 100 return mape actual_values = [10, 20, 30, 40, 50] predicted_values = [12, 18, 25, 42, 55] mape = calculate_mape(actual_values, predicted_values) print("MAPE:", mape) ``` 上述代码中，首先定义了一个计算MAPE的函数`calculate_mape`，该函数接受实际值和预测值作为输入。然后计算预测误差（绝对误差），求得相对误差（预测误差除以实际值），最后取相对误差的平均值并乘以100得到MAPE值。最后，调用计算MAPE的函数，传入实际值和预测值，将返回的MAPE值打印输出。 以上就是使用Python计算MAPE的简单示例。可以根据实际情况修改输入和输出的数据，以适应不同的预测模型评估需求。

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论 5
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

Data+Science+Insight

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值