MAPE (Mean Absolute Percentage Error)

El Error Porcentual Absoluto Medio expresa el error como porcentaje. Es la métrica más fácil de comunicar: "El modelo se equivoca en promedio un 5%".

La fórmula

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

¿Qué significa cada parte?

$n$ — Número total de observaciones
$y_i$ — Valor real de la observación $i$
$\hat{y}_i$ — Valor predicho por el modelo
$\frac{y_i - \hat{y}_i}{y_i}$ — Error relativo (como fracción del valor real)
$|\phantom{x}|$ — Valor absoluto
$100$ — Convierte a porcentaje

Ejemplo numérico

Casa	Real	Predicho	Error relativo
1	100k	110k	10/100 = 10%
2	200k	180k	20/200 = 10%
3	150k	160k	10/150 = 6.67%

$MAPE = \frac{10 + 10 + 6.67}{3} \approx 8.89\%$

El modelo se equivoca, en promedio, un 8.89%.

Cuidado con valores cercanos a cero

MAPE divide por el valor real (y). Si tienes valores cercanos a 0, el error porcentual puede explotar a infinito. Minerva ignora observaciones donde y = 0.

Implementación

Minerva retorna el valor directamente como porcentaje. scikit-learn lo retorna como fracción:

MinervaMAPE.java

import com.minerva.metrics.RegressionMetrics.RegressionMetrics;
 
RegressionMetrics metrics = new RegressionMetrics();
double mape = metrics.MAPE(actual, predicted);
// Retorna 5.0 (ya en porcentaje)

API Reference

`MAPE(Vector actual, Vector predicted)`

Example.java

double mape = metrics.MAPE(actual, predicted);

Parámetro	Tipo	Descripción
`actual`	`Vector`	Valores reales
`predicted`	`Vector`	Valores predichos

Retorna: double (porcentaje)

Interpretación

Aspecto	Valor
Rango	[0, inf)
Mejor valor	0%
Unidades	Porcentaje

¿Cuándo usar MAPE?

Recomendado:

Cuando necesitas comunicar el error a no-técnicos
Cuando quieres comparar modelos de diferentes escalas

No recomendado:

Cuando tus datos tienen valores cercanos a 0
Cuando 0 es un valor válido en tus datos