时间戳

首页 > 解决方案 > MAPE 损失函数相对于 MAE 和 RMSE 的优势

machine-learning - MAPE 损失函数相对于 MAE 和 RMSE 的优势

问题描述

我正在阅读这篇文章：Rolling Window Regression: a Simple Approach for Time Series Next value Predictions，他解释了五个损失函数之间的区别：

第一个问题是问我们如何衡量成功？我们通过损失函数来做到这一点，我们试图最小化损失函数。有几种损失函数，它们各有优劣。

我设法理解了前两个损失函数：

  1. MAE（平均绝对误差）——这里所有的误差，无论大小，都被平等对待
  2. 均方根误差 (RMSE) — 由于平方项，这会惩罚较大的误差。例如，误差为 [0.5, 0.5] 和 [0.1, 0.9]，两者的 MSE 将为 0.5，而 RMSE 为 0.5 和。0.45。

但我不明白第三个：

  1. MAPE（平均绝对百分比误差）——由于 #1 和 #2 取决于目标变量的值范围，因此无法跨数据集进行比较。相反，MAPE 是一个百分比，因此是相对的。这就像分类问题中的准确率，每个人都知道 99% 的准确率是相当不错的。
  1. 为什么根据目标变量的取值范围，不能跨数据集进行比较？
  2. 为什么MAPE比他们好？

我不明白他的解释。

标签： machine-learningmathstatistics

解决方案

问题是 - MAPE 使用百分比。

在 MAE 和 RMSE 中，我得到数据集的平均误差或平均误差的根。因此，在一个数据集中，比如啤酒价格，数字会很小，而在另一个数据集中，比如房价，数字会很大。因此，我无法将 MAE/RMSE 在一个数据集上的成功与它们在另一个数据集上的成功进行比较。

与它们相比，MAPE 以百分比表示误差，因此它与数据本身的数字大小无关，因此我可以比较它在啤酒价格和房价数据集上的成功。

推荐阅读