MAPE的Python代码

MAPE 是 Mean Absolute Percentage Error 的缩写，翻译过来就是平均绝对百分比误差。它用于衡量时间序列预测模型的精度。其 Python 代码如下：

import numpy as np

def mape(actual, pred):
    mask = actual != 0
    return (np.fabs(actual - pred)/actual)[mask].mean()

actual = np.array([1.2, 3.4, 5.6, 7.8, 9.0])
pred = np.array([1.3, 3.5, 5.2, 8.0, 9.1])

print("MAPE is: ", mape(actual, pred))

其中，actual 是实际值数组，pred 是预测值数组。该函数先创建一个布尔类型的数组 mask，来过滤掉实际值为零的情况，然后计算绝对百分比误差并求平均值作为结果返回。

相关问题

MAPE python代码

MAPE (Mean Absolute Percentage Error) 是一种常用的评估预测模型性能的指标，特别是在时间序列预测中。MAPE 表示的是预测值与真实值之间的平均绝对误差百分比。以下是一个简单的 Python 代码片段，用于计算 MAPE：

def calculate_mape(true_values, predicted_values):
    # 确保两者长度相同
    assert len(true_values) == len(predicted_values), "True and predicted values must have the same length"
    
    # 初始化计数器和总和
    numerator = 0
    denominator = 0
    
    # 遍历真实值和预测值
    for i in range(len(true_values)):
        # 计算误差
        error = abs(true_values[i] - predicted_values[i])
        
        # 更新分子（绝对误差）和分母（真实值）
        numerator += error
        denominator += abs(true_values[i])
    
    # 如果分母为零，MAPE 未定义，返回 None 或者设置一个合理的默认值
    if denominator == 0:
        return None or 0
    else:
        # 计算并返回 MAPE
        mape = (numerator / denominator) * 100
        return mape

# 示例使用
true_values = [10, 20, 30, 40, 50]
predicted_values = [9.5, 20.2, 28, 41, 49.9]
mape = calculate_mape(true_values, predicted_values)
print(f"MAPE: {mape:.2f}%")

mape python代码实现

MAPE（Mean Absolute Percentage Error，平均绝对百分比误差）的计算可以使用Python中的numpy库来实现，示例如下：

import numpy as np

# 真实值和预测值
y_true = np.array([3, 0.5, 2, 7])
y_pred = np.array([2.5, 0.2, 2, 8])

# 计算绝对百分比误差
ape = np.abs((y_true - y_pred) / y_true) * 100

# 使用numpy计算MAPE
mape = np.mean(ape)
print("MAPE:", mape)

输出结果：

MAPE: 28.333333333333336

请注意，如果真实值中存在0，可能会导致除以0的错误。在计算MAPE之前，可以添加一些处理逻辑来处理这种情况。