使用MAPE指标的注意事项及Python实现

### 平均绝对百分比误差 (MAPE) 的定义与实现 平均绝对百分比误差（Mean Absolute Percentage Error, MAPE）是一种用于衡量预测模型精度的指标。它表示实际值与预测值之间的差异占实际值的比例，并取其绝对值后的平均数。 #### 数学表达式 MAPE 可通过以下公式计算： \[ \text{MAPE} = \frac{1}{n} \sum_{t=1}^{n} \left| \frac{\text{Actual}_t - \text{Predicted}_t}{\text{Actual}_t} \right| \times 100 \] 其中： - \( n \): 数据点的数量； - \( \text{Actual}_t \): 实际观测值； - \( \text{Predicted}_t \): 预测值。 此公式的目的是评估预测值相对于真实值的偏差程度，通常以百分比形式呈现。 #### Python 中的 MAPE 计算方法 以下是基于上述公式的 Python 实现： ```python import numpy as np def calculate_mape(actual, predicted): actual = np.array(actual).astype(float) predicted = np.array(predicted).astype(float) # 防止除零错误 mask = actual != 0 mape = (np.abs((actual[mask] - predicted[mask]) / actual[mask])).mean() * 100 return mape # 测试数据 actual_values = [3, -0.5, 2, 7] predicted_values = [2.5, 0.0, 2, 8] mape_train = calculate_mape(actual_values, predicted_values) print("Mean Absolute Percentage Error For Training = " + str(mape_train)) ``` 在此代码片段中，`calculate_mape` 函数实现了 MAPE 的核心逻辑[^1]。函数接受两个参数 `actual` 和 `predicted`，分别代表实际值和预测值数组。为了防止因分母为零而导致程序崩溃，引入了一个掩码变量来过滤掉所有可能引起异常的实际值项。 #### 关键注意事项 当处理时间序列或其他连续型数值预测问题时，需特别注意是否存在零或接近于零的实际值情况，因为这可能导致无限大或者不合理的高误差估计结果。因此，在正式应用之前应仔细审查输入数据并采取适当措施规避潜在风险。