Python 为什么平均百分比误差（mape）非常高？

我从中获得了代码

我修改了model.compile（）函数来添加mape度量，以找出平均绝对百分比误差。运行代码后，每个时代的mape都非常庞大，将其视为一个百分比度量。我是否遗漏了一些明显的东西，或者输出是否正确？ 输出如下所示：

Epoch 91/100
0s - loss: 0.0103 - mean_absolute_percentage_error: 1764997.4502
Epoch 92/100
0s - loss: 0.0103 - mean_absolute_percentage_error: 1765653.4924
Epoch 93/100
0s - loss: 0.0102 - mean_absolute_percentage_error: 1766505.5107
Epoch 94/100
0s - loss: 0.0102 - mean_absolute_percentage_error: 1766814.5450
Epoch 95/100
0s - loss: 0.0102 - mean_absolute_percentage_error: 1767510.8146
Epoch 96/100
0s - loss: 0.0101 - mean_absolute_percentage_error: 1767686.9054
Epoch 97/100
0s - loss: 0.0101 - mean_absolute_percentage_error: 1767076.2169
Epoch 98/100
0s - loss: 0.0100 - mean_absolute_percentage_error: 1767014.8481
Epoch 99/100
0s - loss: 0.0100 - mean_absolute_percentage_error: 1766592.8125
Epoch 100/100
0s - loss: 0.0100 - mean_absolute_percentage_error: 1766348.6332

我运行的代码（省略了预测部分）如下所示：

import numpy
from numpy import array
import matplotlib.pyplot as plt
from pandas import read_csv
import math
from keras.models import Sequential
from keras.layers import Dense
from keras.layers import LSTM
from sklearn.preprocessing import MinMaxScaler
from sklearn.metrics import mean_squared_error

# convert an array of values into a dataset matrix
def create_dataset(dataset, look_back=1):
        dataX, dataY = [], []
        for i in range(len(dataset)-look_back-1):
                a = dataset[i:(i+look_back), 0]
                dataX.append(a)
                dataY.append(dataset[i + look_back, 0])
        return numpy.array(dataX), numpy.array(dataY)
# fix random seed for reproducibility
numpy.random.seed(7)
# load the dataset
dataframe = read_csv('airlinepassdata.csv', usecols=[1], engine='python', skipfooter=3)
dataset = dataframe.values

#dataset = array([0.1, 0.2, 0.3, 0.4, 0.5, 0.6, 0.7, 0.8, 0.9, 1.0])
dataset = dataset.astype('float32')
# normalize the dataset
scaler = MinMaxScaler(feature_range=(0, 1))
dataset = scaler.fit_transform(dataset)
# split into train and test sets
train_size = int(len(dataset) * 0.67)
test_size = len(dataset) - train_size
train, test = dataset[0:train_size,:], dataset[train_size:len(dataset),:]
# reshape into X=t and Y=t+1
look_back = 1
trainX, trainY = create_dataset(train, look_back)
testX, testY = create_dataset(test, look_back)
# reshape input to be [samples, time steps, features]
trainX = numpy.reshape(trainX, (trainX.shape[0], 1, trainX.shape[1]))
testX = numpy.reshape(testX, (testX.shape[0], 1, testX.shape[1]))
# create and fit the LSTM network
model = Sequential()
model.add(LSTM(4, input_shape=(1, look_back)))
model.add(Dense(1))
model.compile(loss='mse', optimizer='adam', metrics=['mape'])
model.fit(trainX, trainY, nb_epoch=100, batch_size=50, verbose=2)

---

在调用编译之前，我通过使用

keras.backend.set\u epsilon（1）

将模糊因子epsilon设置为1来解决这个问题

提示在源代码中

def mean_absolute_percentage_error(y_true, y_pred):
diff = K.abs((y_true - y_pred) / K.clip(K.abs(y_true),
                                        K.epsilon(),
                                        None))
return 100. * K.mean(diff, axis=-1)

---

这意味着，由于一些未知的原因，训练集中MAPE计算中的

K.abs（y\u true）

项低于模糊默认值（1e-7），因此它使用该默认值，从而产生了巨大的数字。

基本真值和输出值的平均值是多少？如果您的输出值在0.1左右，而您的基本真理值非常接近0，则MSE将为0.01，平均绝对百分比误差将非常大，这就是您所观察到的。将K.epsilon设置为1可确保分母始终为1。在这种情况下，你实际上不是在做平均绝对百分比误差，你是在做平均绝对误差。也就是说，您可以通过传递

mae

作为损失函数而不是

mape

来完成同样的事情。我觉得有点奇怪的是，keras在这里使用K.abs（）而不是np.linalg.norm（）或其他方法来查找标签向量的长度。他们不是取预测值与真值的向量差，而是取每个分量的差，因此任何为0的分量都有无限的损失。这对1-hot来说是失败的。我明白你的意思，这将是一个

mae

。但是，我不知道为什么

K.abs（y\u true）

会系统地返回零，然后将其剪裁到

K.epsilon

，在我看来这是一个bug。在您的情况下，我认为这是因为您调用的

MinMaxScaler

范围为0-1:

scaler=MinMaxScaler（feature\u range=（0，1））dataset=scaler.fit\u变换（数据集）

这保证了y_true的最小值为0。因为它不能除以0，所以必须将0视为

K.epsilon

，返回一个大的数字而不是无穷大。你是对的，我正在使用该标准化，所以另一个解决方案是使用mae，因为在[0-1]中域相当于mape。它确实有效，但对标准化变量使用mape统计是没有意义的。

y_pred=0

实际上并不意味着什么，取决于标准化，它可以对应于最小值、平均值等。