[Machine Learning] SMAPE 指標介紹與程式實作

Last Updated on 2021-11-17 by Clay

Symmetric Mean Absolute Percentage Error（SMAPE），中文可以翻譯成『對稱性平均絕對百分比誤差』，是一種經典的『預測值與實際值』的評估指標。

基本上可以視為 Mean Absolute Percentage Error（MAPE）的某種改良（因為 MAPE 對於預測值高於實際值的情況沒有預測『上限』，低於的情況卻有），所以錢會被稱為『對稱性』（Symmetric）。

此評估指標多用於迴歸問題而非分類問題。

---

SMAPE 公式

• n 為序列總數
• F_t 為預測值
• A_t 為實際值

---

程式實作（Python）

以下的程式有使用到 numpy 套件。

# coding: utf-8
import numpy as np


def smape(a, f):
    return 1/len(a) * np.sum(2*np.abs(f-a)/(np.abs(a)+np.abs(f))*100)


def main():
    actual = np.array([12.3, 21.4, 14.0, 1.51, 14.6, 21.5, 83.1])
    forecast = np.array([11.5, 13.0, 14.3, 1.49, 15.3, 16.9, 81.2])

    print("{:.4}%".format(smape(actual, forecast)))


if __name__ == "__main__":
    main()

Output:

12.85%

(補充) PyTorch 版本

PyTorch 是一個非常好用的深度學習框架，所以也在此補上 PyTorch 版本。

def smape(outputs, answers):
    return torch.mean(2*torch.abs(outputs-answers)/(torch.abs(answers)+torch.abs(outputs)))

---

References

• https://en.wikipedia.org/wiki/Symmetric_mean_absolute_percentage_error
• https://www.statology.org/smape-python/

---

Read More

• [Machine Learning] Precision、Recall、F1 三種評估模型的指標