Porcentaje medio de error (MAPE) en Scikit-learn

Question

¿Cómo podemos calcular el error porcentual absoluto medio (MAPE) de nuestras predicciones utilizando Python y scikit-learn?

Desde los documentos , sólo tenemos estas 4 funciones métricas para las Regresiones:

• metrics.explained_variance_score(y_true, y_pred)
• metrics.mean_absolute_error(y_true, y_pred)
• metrics.mean_squared_error(y_true, y_pred)
• metrics.r2_score(y_true, y_pred)

Answer 1

Como se ha señalado (por ejemplo, en Wikipedia ), el MAPE puede ser problemático. Sobre todo, puede causar errores de división por cero. Supongo que por eso no se incluye en las métricas de sklearn.

Sin embargo, es sencillo de aplicar.

from sklearn.utils import check_arrays
def mean_absolute_percentage_error(y_true, y_pred): 
    y_true, y_pred = check_arrays(y_true, y_pred)

    ## Note: does not handle mix 1d representation
    #if _is_1d(y_true): 
    #    y_true, y_pred = _check_1d_array(y_true, y_pred)

    return np.mean(np.abs((y_true - y_pred) / y_true)) * 100

Usar como cualquier otra métrica..:

> y_true = [3, -0.5, 2, 7]; y_pred = [2.5, -0.3, 2, 8]
> mean_absolute_percentage_error(y_true, y_pred)
Out[19]: 17.738095238095237

(Ten en cuenta que estoy multiplicando por 100 y devolviendo un porcentaje).

... pero con precaución:

> y_true = [3, 0.0, 2, 7]; y_pred = [2.5, -0.3, 2, 8]
> #Note the zero in y_pred
> mean_absolute_percentage_error(y_true, y_pred)
-c:8: RuntimeWarning: divide by zero encountered in divide
Out[21]: inf

Answer 2

Aquí hay una versión actualizada:

import numpy as np

def mean_absolute_percentage_error(y_true, y_pred): 
    y_true, y_pred = np.array(y_true), np.array(y_pred)
    return np.mean(np.abs((y_true - y_pred) / y_true)) * 100