如果数据集中的某些实际值为0，如何计算MAPE？

Question

我是数据科学的新手，试图理解预测与实际之间的差异评估。

假设我有实际情况：

27.580
25.950
 0.000 (Sum = 53.53)

我使用XGboost的预测值是：

    29.9
    25.4
    15.0 (Sum = 70.3)

仅根据总和进行评估会更好吗？示例将所有实际值减去所有预测值？差异= 70.3-53.53？

还是最好根据MSE，MAE，RMSE，MAPE等预测误差技术评估差异？

自从我读到MAPE被最广泛接受以来，如上面的实际情况所示，在分母为0的情况下如何实现？

是否有更好的方法来评估与实际的偏差，或者这是唯一合法的方法？我的目标是建立更多涉及不同变量的预测模型，这些模型将为我提供不同的预测值，然后选择与实际偏差最小的模型。

Answer 1

如果要基于每个点或总和进行评估，则取决于您的数据和用例。

例如，如果每个点代表一个时间段，并且每个时间段的准确性很重要（例如对于一个生产计划而言，那么我需要对每个时间段进行评估。

如果要测量总和的准确性，那么您也可以根据总和进行预测。

关于您对MAPE的问题，那么您在这里提到的问题将无法解决。为了使MAPE有价值，您的数据必须为非零。如果仅评估一个时间序列，则可以使用MAE，这样就不会出现精度无限/不确定的问题。但是，有许多方法可以测量准确性，而我的经验是，这在很大程度上取决于您的用例和数据集，哪一种是更可取的。有关准确性测量的一些优点，请参见Hyndman's article on accuracy for intermittent demand。