Одной из наиболее распространенных метрик, используемых для измерения точности прогнозирования модели, является средняя абсолютная ошибка в процентах , часто обозначаемая аббревиатурой MAPE .
Он рассчитывается как:
MAPE = (1/n) * Σ(|факт – прогноз| / |факт|) * 100
куда:
- Σ — символ, означающий «сумма».
- n – размер выборки
- фактический – фактическое значение данных
- прогноз – прогнозируемое значение данных
MAPE обычно используется, потому что его легко интерпретировать. Например , значение MAPE, равное 14 %, означает, что средняя разница между прогнозируемым значением и фактическим значением составляет 14 %.
В следующем примере показано, как рассчитать и интерпретировать значение MAPE для данной модели.
Пример: интерпретация значения MAPE для данной модели
Предположим, сеть продуктовых магазинов строит модель для прогнозирования будущих продаж. На следующей диаграмме показаны фактические продажи и прогнозируемые продажи по модели за 12 последовательных периодов продаж:
Мы можем использовать следующую формулу для расчета абсолютной процентной ошибки каждого прогноза:
- Абсолютная ошибка в процентах = |фактический-прогноз| / |фактическое| * 100
Затем мы можем вычислить среднее значение абсолютных процентных ошибок:
MAPE для этой модели оказывается равным 5,12% .
Это говорит нам о том, что средняя абсолютная процентная ошибка между продажами, предсказанными моделью, и фактическими продажами составляет 5,12% .
Чтобы определить, является ли это хорошим значением для MAPE , необходимо использовать отраслевые стандарты.
Если стандартная модель в продовольственной отрасли дает значение MAPE, равное 2%, то это значение 5,12% можно считать высоким.
И наоборот, если большинство моделей прогнозирования в продуктовой промышленности дают значения MAPE от 10% до 15%, то значение MAPE, равное 5,12%, можно считать низким, и эта модель может считаться отличной для прогнозирования будущих продаж.
Сравнение значений MAPE для разных моделей
MAPE особенно полезен для сравнения соответствия различных моделей.
Например, предположим, что сеть продуктовых магазинов хочет построить модель для прогнозирования будущих продаж и найти наилучшую из возможных моделей.
Предположим, они соответствуют трем различным моделям и находят соответствующие им значения MAPE:
- MAPE модели 1: 14,5%
- MAPE модели 2: 16,7%
- MAPE модели 3: 9,8%
Модель 3 имеет самое низкое значение MAPE, что говорит нам о том, что она способна прогнозировать будущие продажи наиболее точно среди трех потенциальных моделей.
Дополнительные ресурсы
Как рассчитать MAPE в Excel
Как рассчитать MAPE в R
Как рассчитать MAPE в Python
Калькулятор MAPE