Python 最小-最大缩放后的随机森林回归MAPE除以零误差

为了提高随机森林回归模型的准确性，我将scikit学习标准特征定标器更改为MinMax定标器。在标准标量期间，我没有得到错误。精度提高了，但在计算MAPE时，我得到的误差小于

Mean Absolute Error: 0.03
Accuracy: -inf %.

__main__:5: RuntimeWarning: divide by zero encountered in true_divide

代码是：

from sklearn.preprocessing import MinMaxScaler
sc_X = MinMaxScaler()
X_train = sc_X.fit_transform(X_train)
X_test = sc_X.transform(X_test)
sc_y = MinMaxScaler()
y_train = sc_y.fit_transform(y_train)


#MAE
errors = abs(y_pred - y_test)
print('Mean Absolute Error:', round(np.mean(errors), 2))

# Calculate mean absolute percentage error (MAPE)
mape = 100 * (errors / y_test)
# Calculate and display accuracy
accuracy = 100 - np.mean(mape)
print('Accuracy:', round(accuracy, 2), '%.')

---

不幸的是，这是使用MAPE的问题之一。来自维基百科：

百分比预测精度度量，如平均绝对百分比误差（MAPE）依赖于y_t的划分，使y_t值接近或等于0时的MAPE分布发生倾斜。这对于比例没有意义0的数据集或间歇需求数据集尤其有问题，其中y_t=0经常出现

---

作为替代，我建议使用。MASE应该能够很好地处理您的问题。

缩放器似乎产生了一个0的值，它是否将数据的原始最小值缩放为最大值为0到1？是@JamesPhillips它将一些值缩放为0。在计算MAPE度量时，您知道如何处理这种情况吗？min（y_test）Out[27]：数组（[0.]）MAPE可能会在不缩放因变量的情况下给出可接受的结果，这值得一试。Yes@JamesPhillips不缩放，标准缩放器MAPE不会遇到任何问题。但只有在使用最小-最大缩放器MAPE进行缩放时才会出现此问题。谢谢你的帮助，詹姆斯！