平均绝对误差百分比MAPE代码

以下是计算平均绝对误差百分比（MAPE）的Python代码：

def mape(y_true, y_pred):
    return np.mean(np.abs((y_true - y_pred) / y_true)) * 100

其中，y_true是真实值，y_pred是预测值。要注意的是，若y_true中有0值，需要先将其替换为一个很小的非零值，否则计算时会出现除数为0的情况。

相关问题

平均绝对百分比误差（MAPE）、平均相对变动值（ARV）和相对均方根误差（RRMSE）的python代码实现

以下是 MAPE、ARV、RRMSE 的 Python 代码实现：

import numpy as np

def mape(y_true, y_pred):
    """
    计算平均绝对百分比误差（MAPE）
    """
    y_true, y_pred = np.array(y_true), np.array(y_pred)
    return np.mean(np.abs((y_true - y_pred) / y_true)) * 100

def arv(y_true, y_pred):
    """
    计算平均相对变动值（ARV）
    """
    y_true, y_pred = np.array(y_true), np.array(y_pred)
    return np.mean(np.abs(y_true - y_pred) / np.abs(y_true))

def rrmse(y_true, y_pred):
    """
    计算相对均方根误差（RRMSE）
    """
    y_true, y_pred = np.array(y_true), np.array(y_pred)
    return np.sqrt(np.mean(np.square((y_true - y_pred) / y_true)))

其中，`y_true` 是实际值，`y_pred` 是预测值。可以将真实值和预测值传入这些函数中，以计算出对应的误差指标。

解读一下 [RMSE1,R21,MSE1,RPD1,MAE1,MAPE1]=EvaMetrix(T_sim1,T_train);% 训练集 disp(['BP 训练集 平均绝对误差MAE为：',num2str(MAE1)]) disp(['BP 训练集 均方误差MSE为： ',num2str(MSE1)]) disp(['BP 训练集 均方根误差RMSEP为： ',num2str(RMSE1)]) disp(['BP 训练集 决定系数R^2为： ',num2str(R21)]) disp(['BP 训练集 剩余预测残差RPD为： ',num2str(RPD1)]) disp(['BP 训练集 平均绝对百分比误差MAPE为： ',num2str(MAPE1)]) [RMSE2,R22,MSE2,RPD2,MAE2,MAPE2]=EvaMetrix(T_sim2,T_test);% 测试集 disp(['BP 测试集 平均绝对误差MAE为：',num2str(MAE2)]) disp(['BP 测试集 均方误差MSE为： ',num2str(MSE2)]) disp(['BP 测试集 均方根误差RMSEP为： ',num2str(RMSE2)]) disp(['BP 测试集 决定系数R^2为： ',num2str(R22)]) disp(['BP 测试集 剩余预测残差RPD为： ',num2str(RPD2)]) disp(['BP 测试集 平均绝对百分比误差MAPE为： ',num2str(MAPE2)])

这段代码是用来评估一个BP神经网络模型在训练集和测试集上的性能表现的。其中，EvaMetrix是用来计算各种评估指标的函数，T_sim1和T_train是该模型在训练集上的预测结果和真实值，T_sim2和T_test是该模型在测试集上的预测结果和真实值。具体评估指标包括：

1. 平均绝对误差（MAE）
2. 均方误差（MSE）
3. 均方根误差（RMSE）
4. 决定系数（R^2）
5. 剩余预测残差（RPD）
6. 平均绝对百分比误差（MAPE）

代码分别计算了训练集和测试集上的这些指标，并通过disp函数打印输出。这些指标可以用来评估模型的精度和可靠性，以及在不同数据集上的泛化能力。