时间戳

首页 > 解决方案 > MinMax Scaling 后的随机森林回归 MAPE 除以零误差

python - MinMax Scaling 后的随机森林回归 MAPE 除以零误差

问题描述

为了提高随机森林回归模型的准确性，我将 scikit learn 标准特征缩放器更改为 MinMax 缩放器。在标准标量期间，我没有收到错误。准确性提高了，但在计算 MAPE 时，我得到了以下错误。

Mean Absolute Error: 0.03
Accuracy: -inf %.

__main__:5: RuntimeWarning: divide by zero encountered in true_divide

代码是：

from sklearn.preprocessing import MinMaxScaler
sc_X = MinMaxScaler()
X_train = sc_X.fit_transform(X_train)
X_test = sc_X.transform(X_test)
sc_y = MinMaxScaler()
y_train = sc_y.fit_transform(y_train)


#MAE
errors = abs(y_pred - y_test)
print('Mean Absolute Error:', round(np.mean(errors), 2))

# Calculate mean absolute percentage error (MAPE)
mape = 100 * (errors / y_test)
# Calculate and display accuracy
accuracy = 100 - np.mean(mape)
print('Accuracy:', round(accuracy, 2), '%.')

标签： pythonmachine-learningscikit-learnregressionrandom-forest

解决方案

不幸的是，这是使用 MAPE 的问题之一。来自维基百科：

百分比预测准确度度量，例如平均绝对百分比误差 (MAPE) 依赖于 y_t 的除法，使 MAPE 的分布偏斜 y_t 值接近或等于 0。这对于尺度没有有意义的 0 的数据集尤其成问题或对于间歇性需求数据集，其中 y_t=0 频繁出现。

作为替代方案，我建议改用MASE。MASE 应该能够很好地处理您的问题。

推荐阅读