评价指标MAPE python代码

MAPE（Mean Absolute Percentage Error）是一种常用的评价指标，用于衡量预测值与真实值之间的相对误差。以下是计算MAPE的Python代码示例：

import numpy as np

def calculate_mape(y_true, y_pred):
    """
    计算MAPE评价指标
    :param y_true: 真实值
    :param y_pred: 预测值
    :return: MAPE评价指标值
    """
    y_true = np.array(y_true)
    y_pred = np.array(y_pred)
    
    # 避免除以0的情况
    mask = y_true != 0
    
    mape = np.mean(np.abs((y_true - y_pred) / (y_true + 1e-8))) * 100
    
    return mape

# 示例数据
y_true = [10, 20, 30, 40, 50]
y_pred = [12, 18, 32, 38, 45]

# 计算MAPE
mape = calculate_mape(y_true, y_pred)
print("MAPE:", mape)

相关问题

写一个Python代码：导入表格数据建立多元回归模型并用多种方式评价模型效果

好的，以下是一个简单的 Python 代码，可以导入表格数据，建立多元回归模型，并使用多种方式评价模型效果：

# 导入所需库
import pandas as pd
import numpy as np
from sklearn.linear_model import LinearRegression
from sklearn.metrics import mean_squared_error, r2_score
from sklearn.model_selection import train_test_split

# 读取数据
data = pd.read_csv('data.csv')

# 划分自变量和因变量
X = data.iloc[:, :-1]
y = data.iloc[:, -1]

# 划分训练集和测试集
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.3, random_state=1)

# 建立多元线性回归模型
model = LinearRegression()
model.fit(X_train, y_train)

# 用测试集进行预测
y_pred = model.predict(X_test)

# 评价模型效果
mse = mean_squared_error(y_test, y_pred)
r2 = r2_score(y_test, y_pred)

print('均方误差:', mse)
print('决定系数:', r2)

此外，还可以使用其他评价指标来评价模型效果，例如平均绝对误差(MAE)、平均绝对百分误差(MAPE)、均方根误差(RMSE)等等，根据具体情况选择合适的指标进行评价。

用jupyter写BP预测多维的股票价格的代码，该代码包括rmse,mae.r2.mape等评价指标和拟合效果图

以下是一个使用Python和Jupyter Notebook编写的BP神经网络预测多维股票价格的代码示例。这个示例包括了RMSE、MAE、R2和MAPE等评价指标，并且还绘制了拟合效果图。

import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
from sklearn.neural_network import MLPRegressor
from sklearn.metrics import mean_squared_error, mean_absolute_error, r2_score

# 读取股票数据
data = pd.read_csv("stock_data.csv")

# 提取特征和目标变量
X = data.iloc[:, 1:-1].values
y = data.iloc[:, -1].values

# 划分训练集和测试集
train_size = int(len(data) * 0.8)
X_train, X_test = X[:train_size], X[train_size:]
y_train, y_test = y[:train_size], y[train_size:]

# 创建并训练BP神经网络模型
model = MLPRegressor(hidden_layer_sizes=(100, 50), activation='relu', solver='adam', random_state=0)
model.fit(X_train, y_train)

# 在测试集上进行预测
y_pred = model.predict(X_test)

# 计算评价指标
rmse = np.sqrt(mean_squared_error(y_test, y_pred))
mae = mean_absolute_error(y_test, y_pred)
r2 = r2_score(y_test, y_pred)

# 计算MAPE指标
mape = np.mean(np.abs((y_test - y_pred) / y_test)) * 100

# 打印评价指标
print("RMSE:", rmse)
print("MAE:", mae)
print("R2:", r2)
print("MAPE:", mape)

# 绘制拟合效果图
plt.plot(y_test, label='actual')
plt.plot(y_pred, label='predicted')
plt.xlabel('Sample')
plt.ylabel('Price')
plt.legend()
plt.show()

在这个示例中，我们首先读取了股票数据，并将其分为特征（X）和目标变量（y）。然后，我们使用80%的数据作为训练集，剩余的20%作为测试集。接下来，我们创建了一个具有两个隐藏层的BP神经网络模型，并使用训练集进行训练。然后，我们在测试集上进行预测，并计算了RMSE、MAE、R2和MAPE等评价指标。最后，我们使用Matplotlib绘制了实际和预测的股票价格，并显示了拟合效果图。

请注意，此代码示例仅供参考，实际使用时可能需要根据具体情况进行调整和改进。另外，您需要将股票数据存储在名为"stock_data.csv"的文件中，并根据实际情况修改数据读取和预处理部分的代码。