Python模型计算MAPE时出现无穷大值？

Question

在使用Python构建机器学习模型时，计算平均绝对百分比误差（MAPE）常用于评估回归模型性能。然而，一个常见问题是MAPE结果出现无穷大值（inf）。这通常发生在真实观测值中存在接近或等于零的样本点时，因为MAPE公式为： $$ \text{MAPE} = \frac{100\%}{n} \sum_{i=1}^{n} \left| \frac{y_i - \hat{y}_i}{y_i} \right| $$ 当真实值 $ y_i = 0 $ 或极小时，分母趋近于零，导致百分比误差爆炸性增长。即使预测值非常接近真实值，也会产生极大甚至无穷的MAPE值，严重影响模型评估可靠性。该问题在销量预测、低值时间序列等场景中尤为突出。解决方法包括添加平滑项、使用对称MAPE（SMAPE）或改用RMSE、MAE等不依赖分母的指标。

Answer 1

```html

一、问题背景

在机器学习模型评估中，MAPE（Mean Absolute Percentage Error）是一种常用的回归模型评估指标。其定义如下：

$$ \text{MAPE} = \frac{100\%}{n} \sum_{i=1}^{n} \left| \frac{y_i - \hat{y}_i}{y_i} \right| $$

其中，$y_i$ 表示真实值，$\hat{y}_i$ 表示预测值，$n$ 是样本数量。

然而，在实际应用中，当真实值 $y_i$ 接近或等于零时，分母趋近于零，导致计算出的百分比误差变得非常大，甚至可能无限大（Inf）。这种现象在某些特定场景中尤为明显，例如销量预测、低值时间序列预测等。这些场景下，真实值可能包含许多接近零的数据点，从而严重影响了模型评估的可靠性。

1. 常见问题表现

• 当真实值 $y_i = 0$ 时，分母为零，导致计算公式失效。
• 即使预测值 $\hat{y}_i$ 非常接近真实值，也可能因分母接近零而产生极高的误差值。
• 在销量预测中，某些商品的销量可能非常低或为零，导致 MAPE 的结果不可靠。

2. 示例数据

真实值 ($y_i$)	预测值 ($\hat{y}_i$)	百分比误差 ($\left|\frac{y_i - \hat{y}_i}{y_i}\right|$)
0	0.1	Inf
1	0.9	10%
2	1.8	10%
5	4.7	6%
0	-0.2	Inf
10	9.8	2%
15	15.2	1.33%
0	0.05	Inf
20	19.9	0.5%
50	50.5	1%

3. 问题原因分析

从公式可以看出，当 $y_i = 0$ 时，分母变为零，导致误差值无限大。此外，当 $y_i$ 很小时，分母的数值很小，百分比误差会迅速放大。因此，这种问题在低值或零值较多的场景中尤为显著。

二、解决方案

为了解决 MAPE 的无穷大问题，可以采用以下几种方法。

1. 添加平滑项

通过在分母中添加一个小的平滑项（如 1 或 0.01），可以避免分母为零的情况。修改后的公式如下：

$$ \text{MAPE}_{\text{smooth}} = \frac{100\%}{n} \sum_{i=1}^{n} \left| \frac{y_i - \hat{y}_i}{y_i + \epsilon} \right| $$

其中，$\epsilon$ 是一个小的正数，例如 1 或 0.01。

2. 使用对称MAPE（SMAPE）

对称MAPE（Symmetric Mean Absolute Percentage Error, SMAPE）是一种改进版的MAPE，其公式如下：

$$ \text{SMAPE} = \frac{100\%}{n} \sum_{i=1}^{n} \frac{|y_i - \hat{y}_i|}{(|y_i| + |\hat{y}_i|) / 2} $$

SMAPE 的优点在于它对称地处理了预测值和真实值之间的差异，并且避免了分母为零的问题。

3. 改用其他指标

如果 MAPE 的问题仍然难以解决，可以考虑使用其他不依赖分母的指标，例如均方根误差（RMSE）或平均绝对误差（MAE）。这些指标更加稳定，但它们无法直接衡量相对误差。

三、实现与代码

以下是几种解决方案的 Python 实现代码。

1. 添加平滑项

def mape_smooth(y_true, y_pred, epsilon=1e-5):
    errors = np.abs((y_true - y_pred) / (y_true + epsilon))
    return np.mean(errors) * 100

2. 使用对称MAPE（SMAPE）

def smape(y_true, y_pred):
    numerator = np.abs(y_true - y_pred)
    denominator = (np.abs(y_true) + np.abs(y_pred)) / 2
    return np.mean(numerator / denominator) * 100

3. 改用RMSE

from sklearn.metrics import mean_squared_error

def rmse(y_true, y_pred):
    mse = mean_squared_error(y_true, y_pred)
    return np.sqrt(mse)

四、优化与性能对比

为了验证不同方法的效果，我们可以通过实验对比各种方法的性能。

1. 实验设计

1. 生成一组包含零值和小值的真实数据。
2. 使用不同的方法计算误差。
3. 比较各方法的结果稳定性。

2. 流程图

graph TD; A[真实值] --> B[添加平滑项]; A --> C[对称MAPE]; A --> D[RMSE]; B --> E[计算误差]; C --> E; D --> E; E --> F[结果对比];

通过上述方法，可以有效解决 MAPE 在低值场景中的无穷大问题。

```