對於MAPE,平均絕對誤差百分比[1],假設我們表示具有甲的實際值,以及預測值與P。您在時間1直通n具有的一系列數據,然後
MAPE = 100/n * (Sum of |(A(t) - P(t))/A(t)|), for t in 1..n
where A(t) is the actual value at time t, P(t) is the predicted value at time t.
由於A(t)爲分母,只要你有一個非常小或接近零A(T),該部門是像一個除以零,這會在絕對百分比誤差中產生非常大的變化。如此大的變化組合導致了肯定的結果偏差。
對於WMAPE,加權平均絕對誤差百分比,
Sum of |(A(t) - P(t))/A(t)| * W(t)
WMPAE = -------------------------------------, for t in 1..n
Sum of W(t)
where W(t) is the weight you associate with the prediction at time t.
由於這是一個加權衡量,它並沒有同樣的問題MAPE,例如,過度傾斜由於非常小或爲零卷。
然而,一個加權因子將表明我們希望在每個預測上的主觀重要性[2]。
例如,考慮到發行 日期,我們可以以這樣的方式使 權重越高分配權重,我們將在近期 數據的重要性更高。在這種情況下,我們可以觀察到,即使MAE 處於合理的閾值之下,系統 的性能在分析此特定功能時可能不足。
這就是更多最近數據傾向於結果的傾向。
[1] http://en.wikipedia.org/wiki/Mean_absolute_percentage_error
[2] http://ir.ii.uam.es/rue2012/papers/rue2012-cleger-tamayo.pdf
對於WMAPE,較大的W(t)s可能會使結果偏向於他們的偏好。好的我明白了。 Thx :) – Tim
歡迎您! – greeness