MAPE损失功能优于MAE和RMSE的优势

Question

我正在阅读这篇文章：Rolling Window Regression: a Simple Approach for Time Series Next value Predictions，他在那里解释了五个损失函数之间的区别：

  

第一个问题是问我们如何衡量成功？我们通过   损失函数，我们尝试使损失函数最小化。有   几个损失函数，它们各有利弊。

我设法理解了前两个损失函数：

  

  
1. MAE（平均绝对错误）—在这里，所有大小的错误都将得到同等对待
  
2. 均方根误差（RMSE）-由于平方项而造成的大误差是不利的。例如，错误为[0.5，0.5]和[0.1，0.9]，   两者的MSE均为0.5，而RMSE为0.5和。 0.45。
  

但是我不明白这三者：

  

  
1. MAPE（平均绝对百分比误差）—由于＃1和＃2取决于目标变量的值范围，因此无法进行比较   跨数据集。相反，MAPE是百分比，因此是相对的。它   就像分类问题的准确性，每个人都知道99％   准确性非常好。
  

1. 为什么不能根据目标变量的值范围在多个数据集之间进行比较？
2. MAPE为什么比他们更好？

我不明白他的解释。

Answer 1

问题是-MAPE使用百分比。

在MAE和RMSE中，我都得到数据集的平均误差或平均误差的根。因此，在一个数据集中，比如说啤酒价格，数字将会很小，而在另一个数据集中，比如说房价，数字将会很大。因此，我无法将MAE / RMSE在一个数据集上的成功与在另一个数据集上的成功进行比较。

与它们相反，MAPE代表百分比误差，因此它与数据本身中数字的大小无关，因此我可以将其在啤酒价格和房价数据集上的成功率进行比较。