R2低但MAPE高

Question

我目前正在一个项目中，我必须解决基于回归的问题。我基本上必须尝试不同的模型并比较每个模型的准确性。到目前为止，我已经尝试过决策树，随机森林和装袋。目前，我正在尝试ANN。我用来评估模型性能的指标是R2得分，RMSE和MAPE。对于前三个模型，我得到的结果是：决策树：R2：0.608RMSE：11.640681667132872不良率：78.73％套袋：R2：0.752RMSE：9.193平均：78.46％随机森林：R2：0.726RMSE：9.731平均：78.27％但是，使用ANN，我得到的结果确实令人困惑。R2：0.264RMSE：12.034MAPE：88.73％

您可以看到，尽管R2得分与其他模型相比非常低，但是MAPE的准确性却出奇的高。谁能给我一些为什么会这样的见解？

我用于计算MAPE准确性的代码是：

#Function to calculate MAPE accuracy
def evaluate(model, test_features, test_labels):
    predictions = model.predict(test_features)
    errors = abs(predictions - test_labels)
    mape = 100 * np.mean(errors / test_labels)
    accuracy = 100 - mape
    print('Model Performance')
    print('Average Error: {:0.4f} degrees.'.format(np.mean(errors)))
    print('Accuracy = {:0.2f}%.'.format(accuracy))

    return accuracy

附言我正在使用评估的保留方法。

Answer 1

也请查阅本白皮书，它很好地概述了错误指标及其优缺点：https://journals.plos.org/plosone/article?id=10.1371/journal.pone.0174202