Műszaki ÚTMUTATÓ

Előrejelzési pontossági mérőszámok: MAPE, sMAPE és MASE

Forecast metrics summarize how predictions differ from observed values, but MAPE, sMAPE and MASE handle scale and zero values differently.

Hallgassa meg ezt az útmutatótAI-narrált · ~3 min

Ezen az oldalon3 perc olvasás
  1. Áttekintés
  2. Mély merülés
  3. Valós megvalósítás
  4. The Future of Forecast Accuracy Metrics: MAPE, sMAPE and MASE
  5. A gyakorlatba ültetés
  6. Folytassa a felfedezést
  7. Gyakran ismételt kérdések

Áttekintés

Choose a metric that matches the decision, compare forecasts on the same evaluation windows and include a naive baseline rather than relying on a percentage score alone.

Mély merülés

Forecast accuracy metrics turn prediction errors into summaries, but each emphasizes different properties. Mean absolute error averages absolute errors in the target's units. MAPE averages absolute error divided by the absolute actual value, often multiplied by 100. It is easy to read as a percentage, but it is undefined when actual values are zero and can be dominated by small actuals. It also treats over- and under-forecast errors asymmetrically in some settings because actuals appear only in the denominator. sMAPE attempts a symmetric percentage by scaling absolute error relative to the magnitudes of actual and forecast. Several formulas exist, some use a factor of two and others not, and zero-over-zero cases require conventions. Despite its name, sMAPE can behave unexpectedly around zero and does not guarantee fair comparisons across all scales. Always state the exact implementation. Mean absolute scaled error (MASE) divides a model's test-set MAE by the in-sample MAE of a naive forecast, typically the one-step persistence forecast for nonseasonal data. For seasonal data, a seasonal-naive denominator may be more appropriate. A MASE below one means the model's average absolute error on the evaluation cases is lower than the chosen naive in-sample scale. It does not mean the model always beats the baseline on every observation, and the denominator can be zero for perfectly constant training data. Use an evaluation period that reflects the intended forecast horizon, preserve time order and compare models on identical cases. Report metric definitions, units, treatment of zeros, aggregation weights and baseline. If many series are combined, averaging percentage errors may give tiny-volume series disproportionate influence. Pair a headline metric with error distributions and business costs, such as stockouts versus overstock. No single metric captures calibration of prediction intervals, bias, tail risk and operational impact at once.

Valós megvalósítás

A hypothetical forecast predicts 90 units when actual demand is 100. The absolute percentage error is 10%, using absolute error divided by the actual value.

When actual demand is zero, MAPE's denominator is zero and the percentage error is undefined; replacing zero with a small constant changes the metric and should be disclosed.

An analyst uses MASE and divides test-set MAE by the in-sample one-step naive MAE. A value below one means lower error than that naive scale on the evaluated cases, not guaranteed future superiority.

A team compares sMAPE implementation formulas before publishing results because definitions differ in denominator and scaling; values from different conventions may not be comparable.

The Future of Forecast Accuracy Metrics: MAPE, sMAPE and MASE

Forecast dashboards can be more honest by placing the metric formula, evaluation horizon, zero handling and naive baseline beside each result. Teams should show scale-dependent error in units as well as scale-free measures when comparing products or regions. As demand patterns shift, recompute the baseline using only information available at each forecast origin. Decision-weighted costs can complement statistical metrics when over- and under-forecasting have different consequences. Clear metric choices make it easier to compare models without implying that one percentage number captures every aspect of forecast quality.

A gyakorlatba ültetés

Miért számít

  • Költség és költségvetés. Az építészeti döntések évekig növelik a teljesítményt és a működési költségeket.
  • Tisztább döntések. A technikai oktatás segít a csapatoknak a megfelelő verem kiválasztásában, nem csak a legújabb készletben.
  • Minőségellenőrzés. A jobb mérnöki döntések csökkentik a termelés megbízhatósági incidenseit.

Vigyázz

  • Egy benchmark optimalizálása elrejtheti a rendszer általános hiányosságait.
  • Az infrastrukturális és karbantartási költségeket gyakran alábecsülik.
  • A biztonsági és megfigyelhetőségi hiányosságok a rendszerek bonyolultabbá válásával nőhetnek.

Következő lépések

  1. Határozza meg a késleltetési, minőségi és költségcélokat a megvalósítás előtt.
  2. Benchmark reális terhelési és adatviszonyok mellett.
  3. Műszerfigyelés a hibák, az eltolódás és a felhasználói hatások szempontjából.
  4. A méretezés előtt készítse elő a visszagörgetési és az incidensre adott válaszútvonalakat.

Folytassa a felfedezést

Ingyenes hírlevél

Szerezze meg a napi AI összefoglalót

Minden hétköznap reggel három ellenőrzött AI történet, egyszerű angol nyelven. Örökké ingyen, hirdetések nélkül.

Minden hétköznap egy e-mail. Egy kattintással lemondhat. Soha nem értékesítjük vagy osztjuk meg az Ön címét.

Teszteld magad

Take the Forecast Accuracy Metrics: MAPE, sMAPE and MASE quiz

Azonnali visszajelzés minden válaszra, és megosztható tanúsítvány egy ellenőrizhető azonosítóval, miután sikeresen teljesít egy kurzust.

Kezdő kvíz

Támogassa az ingyenes AI oktatást. AI Understanding egy 501(c)(3) nonprofit – nincs hirdetés, nincs fizetőfal, soha. Tegyen adományt

Gyakran ismételt kérdések

What is Forecast Accuracy Metrics: MAPE, sMAPE and MASE?

Forecast metrics summarize how predictions differ from observed values, but MAPE, sMAPE and MASE handle scale and zero values differently. Choose a metric that matches the decision, compare forecasts on the same evaluation windows and include a naive baseline rather than relying on a percentage score alone.

A tényleges kereslet 100, az előrejelzés pedig 90. Mennyi az abszolút százalékos hiba a MAPE alatt?

Az abszolút hiba 10, elosztva a tényleges 100-zal, így 0,10 vagy 10%.

Milyen probléma merül fel a MAPE esetében, ha a tényleges érték nulla?

A MAPE elosztja a tényleges nagyságrenddel, így a nulla tényleges érték meghatározatlanná teszi a százalékot.

Mit jelez az egy alatti MASE szokásos definíciója szerint?

A MASE összehasonlítja a teszt MAE-t egy kiválasztott naiv mintán belüli skálával; egy alatti érték ennél a skálánál alacsonyabb átlagos hibát jelez.

Miért kell a pontos sMAPE képletet megadni egy jelentésben?

A különböző sMAPE-változatok és a nulla kezelési lehetőségek nem összehasonlítható értékeket eredményezhetnek.

Miért hangsúlyozhatja túl a MAPE a kis mennyiségű megfigyeléseket?

Ha elosztjuk egy kis tényleges értékkel, ugyanaz az abszolút hiba nagyobb százalékos hozzájárulást eredményez.