一、MAPE 介绍
在预测任务中,评估模型的预测性能至关重要。除了常见的均方误差(MSE)和决定系数(R²)等指标外,平均百分比误差(MAPE,Mean Absolute Percentage Error)也是一个常用的评估指标。MAPE衡量了模型预测值与实际值之间的百分比误差的平均值,有助于我们了解预测的相对准确性。
在Python的机器学习库sklearn中,虽然没有直接提供计算MAPE的函数,但我们可以自己编写一个简单的函数来实现这一功能。下面我们将通过一个示例来展示如何使用sklearn进行预测,并计算MAPE来评估模型的性能。
二、案例学习
首先,我们需要导入必要的库并加载数据集。在这个例子中,我们将使用一个简单的线性回归问题来演示计算MAPE的过程。
from sklearn.model_selection import train_test_split
from sklearn.metrics import mean_squared_error
from sklearn.linear_model import LinearRegression
from sklearn.datasets import fetch_california_housing
from sklearn.metrics import mean_absolute_error
from sklearn.metrics import r2_score
import pandas as pd
import numpy as np
housing = fetch_california_housing()
# 加载房价数据集
X = housing.data
y = housing.target
# 划分训练集和测试集
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)
接着,我们创建一个线性回归模型,并使用训练数据进行训练。
# 创建线性回归模型
model = LinearRegression()
# 使用训练数据进行训练
model.fit(X_train, y_train)
训练完成后,我们使用模型对测试集进行预测。
# 对测试集进行预测
y_pred = model.predict(X_test)
现在,我们可以编写一个函数来计算MAPE。MAPE的计算公式是:
M A P E = 1 n ∑ i = 1 n ∣ y i − y ^ i y i ∣ ∗ 100 % MAPE = \frac{1}{n} \sum_{i=1}^{n} \left|\frac{y_i - \hat{y}_i}{y_i}\right| * 100\% MAPE=n1∑i=1n yiyi−y^i ∗100%
其中 n n n 是数据点的数量, y i y_i yi 是第 i i i 个数据点的实际值, y ^ i \hat{y}_i y^i 是模型对第 i i i 个数据点的预测值。
def calculate_mape(y_true, y_pred):
y_true, y_pred = np.array(y_true), np.array(y_pred)
mask = y_true != 0 # 避免除以零
return np.mean(np.abs((y_true[mask] - y_pred[mask]) / y_true[mask])) * 100
# 计算MAPE
mape = calculate_mape(y_test, y_pred)
print(f'Mean Absolute Percentage Error (MAPE): {mape:.2f}%')
# Mean Absolute Percentage Error (MAPE): 31.95%
在上面的代码中,我们首先定义了一个calculate_mape
函数,它接受实际值和预测值作为输入,并返回MAPE的值。在计算MAPE时,我们添加了一个掩码(mask)来排除实际值为零的情况,以避免除以零的错误。最后,我们调用这个函数来计算测试集上的MAPE,并打印结果。文章来源:https://www.toymoban.com/news/detail-856484.html
三、总结
MAPE的值越小,说明模型的预测性能越好,预测值与实际值之间的百分比误差越小。然而,需要注意的是,MAPE对异常值比较敏感,因为当实际值很小时,即使预测值的绝对误差很小,也会导致MAPE的值很大。因此,在使用MAPE作为评估指标时,需要结合其他指标和实际情况进行综合考量。文章来源地址https://www.toymoban.com/news/detail-856484.html
到了这里,关于sklearn【MAPE】平均相对误差介绍,以及案例学习!的文章就介绍完了。如果您还想了解更多内容,请在右上角搜索TOY模板网以前的文章或继续浏览下面的相关文章,希望大家以后多多支持TOY模板网!