Keras 理解SMAPE的模糊性

我已经实现了几种回归预测方法，现在我想对它们进行比较。我选择了MAE、RMSE和SMAPE评级。我的结果如下：

方法1:MAE=0,6，RMSE=0,9和SMAPE 531

方法2:MAE=3,0，RMSE=6,1和SMAPE 510

方法3:MAE=10,1，RMSE=17,00和SMAPE 420

当我绘制预测图并将其与测试集进行比较时，我可以看到方法1>方法2>方法3。MAE和RMSE的值也表明了这一点。但我认为得出的SMAPE越低，预测就越好

我误解了斯玛普吗？ 由于phyton中没有预定义的方法，因此我的SMAPE计算如下所示：

def smape(A, F):
    return 100/len(A) * np.sum(2 * np.abs(F - A) / (np.abs(A) + np.abs(F)))

还是计算错了

---

提前谢谢

好的，也许方法不对。。相反，我用的是Kaggle的这个：

from numba import jit
import math

@jit
def smape_fast(y_true, y_pred):
    out = 0
    for i in range(y_true.shape[0]):
        a = y_true[i]
        b = y_pred[i]
        c = a+b
        if c == 0:
            continue
        out += math.fabs(a - b) / c
    out *= (200.0 / y_true.shape[0])
    return out

现在，与MAE和RMSE相比，我的结果从SMAPE中看起来更可信