El MAPE es una métrica que puede utilizarse para los problemas de regresión :
$$\mbox{MAPE} = \frac{1}{n}\sum_{t=1}^n \left|\frac{A_t-F_t}{A_t}\right|$$
Dónde $A$ representa el valor real y $F$ la previsión.
Tengo que optimizar mis modelos con respecto a esta métrica. Sin embargo, no estoy seguro de la mejor manera de proceder. Podría reescribir la función objetivo de mis modelos (pero la mayoría de las bibliotecas comunes no admiten funciones objetivo personalizadas), pero esto requiere mucho esfuerzo.
Como alternativa, podría utilizar una transformación $f$ del objetivo, ejecutar el aprendizaje en la imagen $f(target)$ y devuelve la predicción $f^{-1}(predicted)$ .
He observado que el entrenamiento del modelo, manteniendo la métrica de la suma de los cuadrados, en $\log(target)$ y volviendo $\exp(predicted)$ ha dado lugar a una mejora significativa.
¿Hay alguna manera de saber cuál es la mejor transformación que se puede utilizar? ¿O debo validar de forma cruzada varias transformaciones del objetivo?
