在 R 中计算平均 MAPE 和 MSE 的有效方法答案

【问题标题】：Efficient way to calculate average MAPE and MSE in R在 R 中计算平均 MAPE 和 MSE 的有效方法
【发布时间】：2017-09-10 03:52:21
【问题描述】：

我有一个真实数据和预测数据，我想计算整体 MAPE 和 MSE。数据是时间序列，每列代表不同周的数据。我预测每个项目在 52 周内的价值，如下所示。在 R 中计算总体误差的最佳方法是什么。

real = matrix( 
    c("item1", "item2", "item3", "item4", .5, .7, 0.40, 0.6, 0.3, 0.29, 0.7, 0.09, 0.42, 0.032, 0.3, 0.37), 
     nrow=4, 
     ncol=4) 
colnames(real) <- c("item", "week1", "week2", "week3")


predicted = matrix( 
  c("item1", "item2", "item3", "item4", .55, .67, 0.40, 0.69, 0.13, 0.9, 0.47, 0.19, 0.22, 0.033, 0.4, 0.37), 
  nrow=4, 
  ncol=4) 
colnames(predicted) <- c("item", "week1", "week2", "week3")

【问题讨论】：

标签： r machine-learning statistics

【解决方案1】：

首先如何获得预测值？您用于获取预测值的模型可能基于最小化某些预测误差函数（通常是 MSE）。因此，如果您计算预测值，则 MSE 和 MAPE 上的残差和一些指标已在拟合模型的某处计算。您可能可以直接检索它们。

如果预测值碰巧被扔到你的腿上，而你与拟合模型无关，那么你计算 MSE 和 MAPE 如下：

每个项目每周只有一条记录。因此，对于每个项目，您每周只能计算一个 预测误差。根据您的应用，您可以选择计算每件商品或每周的 MSE 和 MAPE。

这是您的数据的样子：

real <- matrix( 
  c(.5, .7, 0.40, 0.6, 0.3, 0.29, 0.7, 0.09, 0.42, 0.032, 0.3, 0.37), 
  nrow = 4, ncol = 3)
colnames(real) <- c("week1", "week2", "week3")

predicted <- matrix( 
  c(.55, .67, 0.40, 0.69, 0.13, 0.9, 0.47, 0.19, 0.22, 0.033, 0.4, 0.37), 
  nrow = 4, ncol = 3) 
colnames(predicted) <- c("week1", "week2", "week3")

计算每个条目的（百分比/平方）误差：

pred_error    <- real - predicted 
pct_error     <- pred_error/real
squared_error <- pred_error^2

计算 MSE、MAPE：

# For per-item prediction errors
apply(squared_error,  MARGIN = 1, mean)    # MSE
apply(abs(pct_error), MARGIN = 1, mean)    # MAPE

# For per-week prediction errors
apply(squared_error,  MARGIN = 0, mean)    # MSE
apply(abs(pct_error), MARGIN = 0, mean)    # MAPE

【讨论】：