如何用Python计算SMAPE

在这篇文章中，我们将看到如何在Python中计算确定预测准确性的方法之一，即对称平均绝对百分比误差（或简称SMAPE）。

SMAPE是克服MAPE预测误差测量局限性的替代方法之一。与平均绝对百分比误差相比，SMAPE既有下限也有上限，因此，它被称为对称的。SMAPE中的’S’代表对称，’M’代表平均数，它包含了一个系列的平均值，’A’代表绝对值，它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。

SMAPE的公式。

考虑下面的例子，我们有一家商店的销售信息。日期栏代表我们所指的日期，实际销售栏代表相应日期的实际销售值，而预测销售栏代表销售数字的预测值（可能使用ML模型）。最后一列是最后第三列和最后第二列之间的划分。

上述例子中的SMAPE值将是A/B栏中条目的平均值。该值为0.0368。

用Python计算SMAPE

import pandas as pd
import numpy as np
  
# Define the function to return the SMAPE value
def calculate_smape(actual, predicted) -> float:
  
    # Convert actual and predicted to numpy
    # array data type if not already
    if not all([isinstance(actual, np.ndarray), 
                isinstance(predicted, np.ndarray)]):
        actual, predicted = np.array(actual),
        np.array(predicted)
  
    return round(
        np.mean(
            np.abs(predicted - actual) / 
            ((np.abs(predicted) + np.abs(actual))/2)
        )*100, 2
    )
  
  
if __name__ == '__main__':
  
    # CALCULATE SMAPE FROM PYTHON LIST
  
    actual    = [136, 120, 138, 155, 149]
    predicted = [134, 124, 132, 141, 149]
  
    # Get SMAPE for python list as parameters
    print("py list  :", 
          calculate_smape(actual, predicted), "%")
  
    # CALCULATE SMAPE FROM NUMPY ARRAY
    actual    = np.array([136, 120, 138, 155, 149])
    predicted = np.array([134, 124, 132, 141, 149])
  
    # Get SMAPE for python list as parameters
    print("np array :", 
          calculate_smape(actual, predicted), "%")
  
    # CALCULATE SMAPE FROM PANDAS DATAFRAME
    # Define the pandas dataframe
    sales_df = pd.DataFrame({
        "actual"    : [136, 120, 138, 155, 149],
        "predicted" : [134, 124, 132, 141, 149]
    })
  
    # Get SMAPE for pandas series as parameters
    print("pandas df:", calculate_smape(sales_df.actual, 
                                        sales_df.predicted), "%")

输出:

py list  : 3.73 %
np array : 3.73 %
pandas df: 3.73 %

Explanation:

在该程序中，我们计算了同一数据集的SMAPE度量值，该数据集以3种不同的数据类型格式作为函数参数，即python list、NumPy array和pandas dataframe。该函数被泛化为可以处理任何类似python系列的数据作为输入参数。该函数首先将数据类型转换为Numpy数组，这样使用NumPy方法进行计算就变得容易了。返回语句可以通过以下图片来解释。