在这篇文章中，我们将看到如何计算确定预测准确性的方法之一，即平均绝对百分比误差（或简称MAPE），也称为平均绝对百分比偏差（MAPD）。绝对百分比误差（或简称MAPE），在python中也被称为平均绝对百分比偏差（MAPD）。MAPE术语决定了我们的预测有多大的准确性。MAPE中的 “M “代表平均数，即一系列的平均值；”A “代表绝对值，即使用绝对值来防止正负误差相互抵消；”P “是百分比，使这个准确性指标成为一个相对指标；”E “代表误差，因为这个指标有助于确定我们预测的误差量。

考虑下面的例子，我们有一个商店的销售信息。日列代表我们所指的日数，实际销售列代表各日的实际销售值，而预测销售列代表销售数字的预测值（可能用ML模型）。APE列代表绝对百分比误差（APE），表示相应一天的实际值和预测值之间的百分比误差。误差百分比的公式是（实际值-预测值）/实际值。APE是这个百分比误差的正（绝对）值。

现在，MAPE值可以通过取APE值的平均值来找到。该公式可以表示为 –

输出:

MAPE输出是一个非负的浮点数。MAPE的最佳值是0.0，而更高的值则决定了预测不够准确。然而，MAPE值应该有多大，才能称之为低效预测，这取决于用例。在上面的输出中，我们可以看到预测值是足够好的，因为MAPE表明每天的销售预测值有3%的误差。

如果你在python中处理时间序列数据，你可能会使用pandas或NumPy。在这种情况下，你可以使用以下代码来获得MAPE输出。

输出:

在上面的程序中，我们描绘了一个单一的函数_calculate_mape() _，它对一个给定的python列表、NumPy数组或pandas序列进行MAPE计算。输出结果是相同的，因为相同的数据被传递给所有3种数据类型格式作为函数的参数。