如果数据集中的一些实际值是 0 值，如何计算 MAPE？答案

【问题标题】：How can MAPE be calculated if some of the actuals in the dataset are 0 values?如果数据集中的一些实际值是 0 值，如何计算 MAPE？
【发布时间】：2020-02-22 01:41:48
【问题描述】：

我是数据科学的新手，并试图了解预测与实际之间的差异评估。

假设我有实际值：

27.580
25.950
 0.000 (Sum = 53.53)

而我使用 XGboost 的预测值为：

    29.9
    25.4
    15.0 (Sum = 70.3)

只根据总和进行评估会更好吗？示例添加所有实际值减去所有预测值？差值 = 70.3 - 53.53？

或者根据 MSE、MAE、RMSE、MAPE 等预测误差技术来评估差异是否更好？

既然我读到 MAPE 是最广泛接受的，那么在我上面的实际情况中可以看到 0 是分母的情况下如何实现它？

是否有更好的方法来评估与实际的偏差，或者这些是唯一合法的方法吗？我的目标是建立更多涉及不同变量的预测模型，这些变量会给我不同的预测值，然后选择与实际值偏差最小的模型。

【问题讨论】：

标签： statistics data-science forecasting usage-statistics predictive

【解决方案1】：

每当 MAPE 由于 0 无法计算时，我都会使用 MdAPE（中值绝对百分比误差）

【讨论】：

【解决方案2】：

如果您要基于每个点或总和进行评估，取决于您的数据和您的用例。

例如，如果每个点代表一个时间桶，并且每个时间桶的准确性很重要（例如对于生产计划），那么我会说需要对每个桶进行评估。

如果你要衡量总和的准确性，那么你也可以根据总和进行预测。

对于您在 MAPE 上的问题，您在此处提到的问题无法解决。您的数据必须非零才能使 MAPE 有价值。如果您只评估一个时间序列，那么您可以使用 MAE，然后您就不会有准确性无限/未定义的问题。但是，有很多方法可以衡量准确性，我的经验是，这在很大程度上取决于您的用例和您的数据集，哪一种更可取。请参阅Hyndman's article on accuracy for intermittent demand，了解有关准确性度量的一些要点。

【讨论】：