MAPE(Mean Absolute Percentage Error)和WMAPE有何不同，为什么用WMAPE来评估销量预测

最新推荐文章于 2024-04-24 19:30:06 发布
最新推荐文章于 2024-04-24 19:30:06 发布
阅读量1.5w 收藏 25
点赞数 8
分类专栏： 机器学习 文章标签： 机器学习
原文链接：https://zhuanlan.zhihu.com/p/91569114
版权

MAPE(Mean Absolute Percentage Error)平均绝对误差百分比：是用来做销量预测最常用的指标，在实际的线上线下销量预测中有着非常重要的评估意义。但是在实际的项目过程中发现，有些时候的指标并不能非常好的表示模型拟合的效果，因此对这部分进行了深入分析，发现有更优化的评价指标来度量销量预测问题。

MAPE公式如下：

MAPE=\frac{1}{n}\sum_{n}^{1}\frac{|{y}'-y|}{y}

y, {y}'分别为真实值和预测值。

但是，这个指标存在两个问题：

  • 假如遇到除数为0的情况，这个指标就没法计算；
  • 由于 y 可能存在数量级上的差别，导致相同的误差 |{y}' - y| 对最后的结果产生的影响存在数量级上的差别，这在某些实际应用场景下是存在问题的。例如一件卖了10件的商品预测值在5-15之间和卖了5000件的商品预测在4995-5005的贡献的 |{y}' - y| 是一样的，但是百分比会差很多，显然两个预测的准确度差异巨大。

因此，WMAPE应运而生

WMAPE(Weighted Mean Absolute Percentage Error)加权平均绝对误差百分比：

WMAPE=\sum_{n}^{1}|{y}' - y|/\sum_{n}^{1}y

举个具体的例子，有10个物品，分别的APE，MAPE和WMAPE分别为：

  • 推测出APE为（Absolute Percentage Error），公式为\frac{|{y}'-y|}{y}，APE = Abs Error / Actual
  • Sum Actual = \sum_{n}^{1}y = sum(Actual1 + ... + Actual10) = 100 + 90 + 8 + 1000 + 1 + 90 + 10 + 11 + 50 + 76 = 1436
  • Sum Abs Error = \sum_{n}^{1}|{y}' - y| = sum(Abs Error1 + ... + Abs Error10) = 10 + 10 + 2 + 30 + 2 + 10 + 3 + 1 + 0 + 4 = 72
  • MAPE = \frac{1}{n}\sum_{n}^{1}\frac{|{y}'-y|}{y} = \frac{1}{n}\sum_{n}^{1}APE = sum(APE1 + ... + APE10)/10 = (10.0% + 11.1% + 25.0% + 3.0% + 200% + 11.1% + 30.0% + 9.1% + 0.0% + 5.3%)/10 = 30.5%
  • WMAPE = \sum_{n}^{1}|{y}' - y|/\sum_{n}^{1}y = Sum Abs Error / Sum Actual = 72/1436 = 5.0%

假如数据集中有一点变化，商品5实际上没有销售，那么就会导致最后计算除数出现0，导致无法计算。

还是上面那个例子，假如商品5实际销量由1变为2，实际上是一个非常微小的抖动，但最后的MAPE抖动非常大，从30.5%到15.5%；但与此同时wMAPE却比较稳定，从5%到4.9%，避免了除数过小导致的指标不合理波动。

由以上例子看出，销量预测方面，还是尽量采用WMAPE更有说服力。

三 丰
关注
  • 8
    点赞
  • 踩
  • 25
    收藏
    觉得还不错? 一键收藏
  • 2
    评论
专栏目录
预测问题评价指标：MAE、MSE、R-Square、MAPE和RMSE
10-18
预测问题评价指标：预 MAE、MSE、R-Square、MAPE和 RMSEMAE、MSE、R-Square、MAPE和RMSE。
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 9835
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。
【小白学机器学习5】评价预测值和观测值差异的指标：MSE, RMSE,MAE, MAPE, WMAPE
奔跑的犀牛先生
02-29 1634
偏差：描述的是预测值（估计值）的期望与真实值之间的差距。偏差越大，越偏离真实数据。方差：描述的是预测值的变化范围，离散程度，也就是离其(预测值整体)期望值的距离。方差越大，数据的分布越分散预测值和真实值完全没关系。方差小只是一群估计值自身的属性，够不够聚拢，发散是否厉害。有可能方差很大也可能很小，但偏离真实值很远的情况。简单的理解，范式就是距离L1 范式距离，就是 |y1-y2|L2 范式距离，就是 (y1-y2)**2以下类推像我现在的水平，暂时了解到这么多即可。
机器学习——需求预测——准确性（误差）统计——MAE、MSE、MAPE、WMAPE
huangguohui_123的博客
11-21 2万+
误差指标 公式（为预测值，为真实值） 特点 缺点 MAE 1、易受真实值量纲上的差别带来的影响 MSE 1、加倍惩罚极端误差 1、易受真实值量纲上的差别带来的影响 2、极端值的影响 MAPE WMAPE 一、平均绝对误差(Mean Absolute Error，MAE) 其中，为预测值，为真实值。 由于...
excel2016绘制线性回归图及计算RMSE和MAPE
d121028379的博客
04-02 2045
选中C1——ABS(A1-B1)——求出剩下数据——>(SUM(C1:C10)/SUM(A1:A10))*100。选中生成的图表中的坐标轴————————————选中生成的图表——————————————————————选中所有数据——————
WAPE、WMAPE理解
newbei5862的博客
12-20 9430
背景： 刚入AI行业小白，搜了半天也没有找到wape指标解释，后来找到一篇英文解释，翻译过来跟大家分享一下 1.导言 在我们所处的时代，学习如何正确使用数据并充分利用数据非常重要。零售商很清楚这一点，因此会做出销售预测，以便提前做好计划。这可以帮助他们了解要订购的产品数量、库存量、库存量等，从而在保持客户供应的同时降低成本。 然而，我们怎么知道我们的预测足够好呢？我们如何衡量它的准确性？ 在本教程中，我们将分析不同的方法。 2.问题 让我们想象一下，我们有一个小企业，在一个村庄里出售几加仑牛奶。我们想预.
损失函数总结 ： 评价模型好坏指标准确率 和 稳定性
weixin_46969441的博客
11-26 5077
准确率 常用准确率 accuracy weighted accuracy MAE 平均绝对误差 Mean Absolute Error (MAE) MSE 均方误差 Mean Square Error (MSE) 定义：mean_squared_error：均方误差函数，又称mse，最基本的损失函数 用途：神经网络计算值（预测值）与标签值的平方误差和。 MAPE 平均绝对误差百分比 适用 ： 对于补货计划来说，我们计算预测时间段 n代表n天。 SMAPE 权重 据对平方误差百分比 Yt是 t
深度学习 - 16.TF x Keras Losses 常见损失函数
BITDDD小栈
05-18 3861
一.引言: 之前提到过自定义Loss与metrics，下面盘点下常用的损失函数供今后自定义损失函数使用。 二.常见损失函数 1. MAE 平均绝对误差 (mean-absolute error) pre为预测值，y为真实值，MAE为预测值与真实值差的绝对值之和 # Mean Ablsolutely Error def getMaeLoss(predict, label): loss = tf.reduce_mean(tf.losses.mean_absolute_error(..
回归评价指标：MSE、RMSE、MAE、MAPE、R2公式理解及代码实现
热门推荐
haosen
05-05 8万+
目录 预先假设： 平均绝对误差（MAE） 均方误差（MSE）均方根误差（RMSE） MAE：平均绝对误差；MAPE：平均绝对百分比误差 R2（R-Square）决定系数 通过sklearn库实现5种评价指标 预先假设： 平均绝对误差（MAE） 平均绝对误差（Mean Absolute 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...
基于LSTM模型预测中国新能源汽车销量
06-06
神经网络模型普遍存在过拟合问题，所以采用增加3层丢弃层避免梯度消失的问题，利用adam优化器自动优化学习率。 本文使用ReLu Activation函数激活参数特征，然后连接Batch Normalization层和Dropout层，再用Flatten层对数据进行平滑处理，最后将数据输入两个堆叠的LSTM层输出预测数据。 经过多次调整超参数后，确定丢弃率为0.15。 为该单特征LSTM模型的损失变化图。由图可见，该模型损失函数的下降速度极快，在训练次数达到三百次左右时，损失已经基本维持在0附近，并逐步趋于平稳，说明该模型能够很快地收敛到一个较优的参数状态，避免了过拟合或欠拟合的问题。该模型的整体MAPE最低时达到10.69%，整体的拟合程度较高。
python之MSE、MAE、RMSE的使用
12-20
我就废话不多说啦，直接上代码吧！ target = [1.5, 2.1, 3.3, -4.7, -2.3, 0.75] prediction = [0.5, 1.5, 2.1, -2.2, 0.1, -0.5] error = [] for i in range(len(target)): error.append(target[i] - prediction[i]) print("Errors: ", error) print(error) squaredError = [] absError = [] for val in error: squaredError.append(val
Matlab实现SSA-LSTM麻雀算法优化长短期记忆神经网络机时间序列预测（完整源码和数据）
01-18
1.Matlab实现SSA-LSTM麻雀算法优化长短期记忆神经网络机时间序列预测； 2.输入数据为单变量时间序列数据，即一维数据； 3.运行环境Matlab2020及以上,运行SSALSTMTIME即可，其余为函数文件无需运行,所有程序放在一个文件夹,data为数据集； 4.麻雀算法优化隐含层节点 训练次数与学习率； 5.命令窗口输出MAPE和RMSE；
基于贝叶斯(Bayes)优化卷积神经网络(Bayes-CNN)数据回归预测（Matlab完整源码和数据）
02-13
基于贝叶斯(Bayes)优化卷积神经网络(Bayes-CNN)数据回归预测（Matlab完整源码和数据） 优化参数为学习率、批处理样本大小和、正则化参数。 评价指标包括R2、MAE、MSE、RMSE、MAPE。 基于贝叶斯优化卷积神经网络(Bayes-CNN)数据回归预测（Matlab完整源码和数据） 优化参数为学习率、批处理样本大小和、正则化参数。
误差分析计算公式和对应的matlab实现
03-05
误差分析计算公式及matlab代码实现（均方误差MSE，平均绝对误差MAE，平均绝对百分比误差MAPE，均方百分比误差MSPE，均方根误差RMSE，残差平方和SSE）
预测问题评价指标： 预 MAE、MSE、R-Square、MAPE和 RMSE
04-29
预测问题评价指标： 预 MAE、MSE、R-Square、MAPE和 RMSE MAE、MSE、R-Square、MAPE和RMSE 以上是对于预测问题的评价指标。...4.平均绝对百分比误差（Mean Absolute Percentage Error, MAPE） 注意：当真实值有数据等
Matlab实现SSA-GRU麻雀算法优化门控循环单元时间序列预测（完整源码和数据）
02-08
1.Matlab实现SSA-GRU麻雀算法优化门控循环单元时间序列预测（完整源码和数据）； 2.输入数据为单变量时间序列数据，即一维数据； 3.运行环境Matlab2020及以上,运行SSAGRUTIME即可，其余为函数文件无需运行,所有程序...
数据聚类：Mean-Shift和EM算法
qq_43811536的博客
04-24 435
利用Mean-Shift和EM算法对高斯混合分布进行数据聚类
GAN详解，公式推导解读，详细到每一步的理论推导
最新发布
m0_59156726的博客
04-24 757
在看这一篇文章之前，希望熟悉掌握熵的知识，可看我写的跟熵相关的一篇博客。
mean_absolute_percentage_error（） 函数的用法
07-17
mean_absolute_percentage_error() 函数是用来计算预测值与真实值之间的平均绝对百分比误差（Mean Absolute Percentage Error，MAPE）的。 该函数的用法如下： ```python from sklearn.metrics import mean_absolute_percentage_error mape = mean_absolute_percentage_error(y_true, y_pred) ``` 其中，`y_true` 是真实值（ground truth），`y_pred` 是预测值。函数会返回预测值与真实值之间的平均绝对百分比误差。 平均绝对百分比误差是用百分比表示的预测误差，它可以衡量预测值与真实值之间的相对误差。具体计算方式是将每个样本的绝对误差除以真实值，然后取平均值并乘以100。 注意：在使用该函数之前，确保已经安装了 scikit-learn 库。

“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 2
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
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