RMSPEとは？予測精度を割合で評価する指標をわかりやすく解説

RMSPEとは？予測精度を割合で評価する指標をわかりやすく解説

RMSPEとは？予測誤差を割合で見る評価指標

RMSPEは、予測値と実測値のずれを実測値に対する割合として計算し、その割合誤差を一つの数値にまとめる評価指標です。値が0%に近いほど予測は正確で、値が大きいほど予測のずれが大きいと考えます。

機械学習では、売上、需要、価格、アクセス数のように、対象によって実測値の大きさが大きく変わるデータを扱うことがあります。このとき、単純に「何個ずれたか」「何円ずれたか」だけを見ると、規模の大きい対象の誤差が目立ちやすくなります。

たとえば、実測値10に対して予測値11なら誤差は1ですが、割合では10%です。一方、実測値100に対して予測値101でも誤差は同じ1ですが、割合では1%です。RMSPEはこの違いを反映できるため、規模の異なるデータを比較するときに使いやすい指標です。

RMSPEの計算方法と式の読み方

RMSPEは、各データ点で予測値と実測値の差を求め、その差を実測値で割って割合誤差にします。次に、割合誤差を二乗し、全データの平均を取り、最後に平方根を計算します。

\(RMSPE = \sqrt{\frac{1}{n}\sum_{i=1}^{n}\left(\frac{\hat{y_i} – y_i}{y_i}\right)^2}\)

式の中で、\(n\) はデータ数、\(\hat{y_i}\) は予測値、\(y_i\) は実測値を表します。\(\frac{\hat{y_i} – y_i}{y_i}\) は、実測値を基準にした相対誤差です。

二乗する理由は、予測値が実測値より大きい場合と小さい場合の誤差が打ち消し合わないようにするためです。また、二乗によって大きな誤差の影響が強くなります。つまり、少しずつ外すモデルよりも、たまに大きく外すモデルを厳しく評価しやすい性質があります。

最後に平方根を取るのは、二乗した値を元の割合に近いスケールへ戻して読みやすくするためです。計算式だけを見ると難しく感じますが、実務では表計算ソフトやPythonなどで簡単に計算できます。

簡単な例で見るRMSPEの考え方

RMSPEを理解するうえで重要なのは、絶対誤差ではなく相対誤差を見る点です。次のように、どちらも予測値が1だけ外れている例を考えます。

絶対誤差だけを見ると、どちらも同じ「1のずれ」です。しかし、実測値10に対する1のずれはかなり大きく、実測値100に対する1のずれは比較的小さいずれです。RMSPEは、このような規模の違いを考慮して評価できます。

売上予測で考えると、月間10個売れる商品を11個と予測することと、月間1000個売れる商品を1001個と予測することは、同じ1個の誤差でも意味が異なります。RMSPEは、予測対象の規模に対して誤差がどれくらい大きいかを見たいときに役立ちます。

RMSE・MAE・MSEとの違い

予測精度を測る指標には、RMSPEのほかにRMSE、MAE、MSE、決定係数などがあります。どの指標が優れているかを一律に決めるのではなく、データの性質と評価したい観点に合わせて選ぶことが重要です。

RMSPEの特徴は、誤差を実測値で割る点です。そのため、価格帯や販売数が大きく異なる対象を同じ土俵で見やすくなります。一方で、実測値が小さいデータに敏感になりやすいため、RMSEやMAEと併用して判断すると、モデルの癖をより正確に把握できます。

RMSPEが役立つ場面

RMSPEは、実測値のスケールが一定でない予測タスクで特に役立ちます。代表的なのは、商品の売上予測、店舗別の需要予測、価格予測、アクセス数予測などです。

たとえば、売上予測では、月に数十個しか売れない商品と、数万個売れる商品が同じデータセットに含まれることがあります。絶対誤差だけで評価すると、売上規模の大きい商品の誤差が目立ちやすくなります。RMSPEを使うと、それぞれの商品の規模に対して予測がどれくらい外れたかを比較しやすくなります。

需要予測でも同じです。季節、キャンペーン、天候、イベントなどによって需要が大きく変わる場合、誤差を割合で見ることで、需要が多い時期と少ない時期を同じ目線で評価しやすくなります。

RMSPEを使うときの注意点

RMSPEの大きな注意点は、実測値で割る指標であることです。実測値が0の場合は割り算ができません。また、実測値が0に近い場合は、少しの誤差でも相対誤差が非常に大きくなります。

たとえば、実測値が1で予測値が2なら絶対誤差は1ですが、相対誤差は100%です。一方、実測値が100で予測値が101なら、同じ絶対誤差1でも相対誤差は1%です。この性質はRMSPEの利点でもありますが、小さい値が多いデータでは評価を不安定にします。

また、RMSPEは二乗を含むため、大きな誤差や外れ値の影響も受けやすい指標です。データの一部に極端な値がある場合、その値が全体の評価を大きく動かすことがあります。ゼロ販売日、欠損値、異常値、記録ミスなどが含まれる場合は、計算前にデータを確認する必要があります。

RMSPEだけでモデルを判断しないために

RMSPEは便利な指標ですが、これだけで予測モデルの良し悪しを決めるのは危険です。RMSPEが低くても、特定のセグメントで大きく外している可能性があります。逆に、少数の小さい実測値の影響でRMSPEが高くなっていても、実務上は問題が小さい場合もあります。

モデルを評価するときは、RMSPE、MAE、RMSEなど複数の指標を並べて確認すると判断しやすくなります。さらに、予測値と実測値の散布図、誤差の分布、時系列でのずれ方などを確認すると、数値だけでは見えない問題を見つけやすくなります。

実務では、最終的に「どの誤差を減らしたいのか」を明確にすることが大切です。割合の誤差を重視するならRMSPEは有力な候補です。一方、在庫数や金額の絶対的なずれを重視するなら、MAEやRMSEの方が判断に合うこともあります。

まとめ

RMSPEは、予測値と実測値のずれを実測値に対する割合として評価する指標です。規模の異なるデータを比較しやすいため、売上予測、需要予測、価格予測などで役立ちます。

計算では、相対誤差を二乗し、平均を取り、平方根を計算します。二乗によって誤差の打ち消しを防ぎ、大きな誤差を強く反映できます。平方根を取ることで、割合として読みやすい値になります。

ただし、実測値が0または0に近いデータでは不安定になりやすく、外れ値の影響も受けます。RMSPEを使うときは、データの性質を確認し、RMSEやMAEなどの指標とあわせて見ることが重要です。

更新履歴