MAPEとは？予測精度をパーセントで評価する指標の意味・計算方法・注意点

MAPEとは？予測精度をパーセントで評価する指標の意味・計算方法・注意点

はじめに

機械学習やデータ分析では、売上、需要、アクセス数、在庫量、価格などを予測する場面が多くあります。しかし、予測値を出すだけでは不十分です。実務で重要なのは、その予測がどれくらい外れているのかを定量的に確認することです。

MAPEは、そのために使われる代表的な評価指標の一つです。正式名称はMean Absolute Percentage Error、日本語では平均絶対パーセント誤差と呼ばれます。予測誤差をパーセントで表すため、専門家以外にも説明しやすく、需要予測や売上予測の評価でよく使われます。

たとえば、実際の売上が100個で予測が90個なら、誤差は10個です。この10個を実際の100個で割ると0.1、つまり10%の誤差です。複数日の予測がある場合は、それぞれのパーセント誤差を計算し、平均したものがMAPEになります。

ただし、MAPEは万能ではありません。実際の値が0のときは割り算ができず、実際の値が非常に小さいと誤差率が極端に大きくなります。そのため、MAPEは分かりやすさが強みである一方、データの性質を確認してから使う必要がある指標です。

MAPEとは

MAPEは、各データ点について「予測値と実測値の差」を「実測値」で割り、その絶対値を平均した指標です。絶対値を使うため、予測が実測値より大きかった場合も小さかった場合も、誤差の大きさとして扱います。

MAPEが10%であれば、ざっくり言うと「予測は平均して実測値から10%程度ずれていた」と説明できます。単位が円、個数、件数、kWhなどで異なっていても、パーセントで表せるため、関係者に伝えやすいのが特徴です。

一方で、MAPEは「実測値に対する割合」を見る指標です。そのため、同じ10個の誤差でも、実測値が100個なら10%、実測値が20個なら50%になります。これは、規模の違うデータを比率で比較しやすいという利点であると同時に、小さい実測値に強く影響されるという注意点にもつながります。

MAPEの計算方法

MAPEの計算は、次の流れで行います。まず、各データについて実測値と予測値の差を求めます。次に、その差の絶対値を取ります。さらに、その絶対誤差を実測値で割り、最後に全データの平均を取って100を掛けます。

数式では、次のように表されます。

\(
\mathrm{MAPE} = \frac{100}{n} \sum_{i=1}^{n} \left| \frac{A_i – F_i}{A_i} \right|
\)

ここで、A_iは実際の値、F_iは予測値、nはデータ数を表します。分子のA_i – F_iは予測誤差で、絶対値を取るため、F_i – A_iとしても結果は同じです。

具体例として、実測値が100、予測値が80であれば、絶対誤差は20です。20を100で割ると0.2なので、パーセント誤差は20%です。実測値が100、予測値が120の場合も、絶対誤差は20なのでパーセント誤差は20%です。

複数データのMAPEを求める場合は、各データのパーセント誤差を計算してから平均します。たとえば、3件のパーセント誤差が10%、20%、10%なら、MAPEは約13.3%です。

MAPEの利点

MAPEの大きな利点は、パーセントで表されるため直感的に理解しやすいことです。MAPEが5%ならかなり小さい誤差、30%なら大きめの誤差というように、現場の担当者にも説明しやすくなります。

また、単位が異なるデータを比較しやすい点も重要です。売上金額、販売個数、アクセス数のように単位や規模が異なる指標でも、MAPEを使えばパーセント誤差として並べて比較できます。複数の予測モデルを比べるときにも、どちらのモデルが相対的に外れにくいかを判断しやすくなります。

さらに、計算が比較的簡単です。表計算ソフトでも、実測値、予測値、絶対誤差、パーセント誤差を順に計算すれば求められます。高度な統計知識がなくても扱いやすいため、予測モデルの初期評価や定期的な精度モニタリングに向いています。

MAPEの欠点

MAPEには便利な点が多い一方で、重要な欠点があります。最も大きな問題は、実測値が0の場合に計算できないことです。MAPEは実測値で割る指標なので、実測値が0だと分母が0になり、数式として成立しません。

実測値が0に近い場合も注意が必要です。たとえば、実測値が1で予測値が2なら、絶対誤差は1でパーセント誤差は100%です。実測値が0.1で予測値が1.1なら、絶対誤差は1ですが、0.1で割るためパーセント誤差は1000%になります。このように、実測値が小さいデータが混ざると、MAPEが極端に大きく見えることがあります。

もう一つの注意点は、MAPEが予測の方向を区別しないことです。絶対値を取るため、実測値100に対して予測80でも予測120でも、どちらも20%の誤差になります。つまり、MAPEだけを見ると、過大予測なのか過小予測なのかは分かりません。元記事では過大予測と過小予測でMAPEの値そのものが変わるような説明がありましたが、同じ実測値を分母にする通常のMAPEでは、その説明は正確ではありません。

一方で、MAPEには別の意味で「偏り」があります。実測値を基準に割合を計算するため、小さい実測値の誤差が全体の平均に大きく影響しやすく、需要が少ない商品やゼロ販売日が多いデータでは評価が不安定になります。この場合は、MAE、RMSE、WAPE、SMAPEなどを併用すると判断しやすくなります。

MAPEの活用事例

MAPEは、需要予測や売上予測のように、実測値が正の値で、パーセント誤差として説明したい場面に向いています。小売業では商品の販売数を予測し、予測モデルごとのMAPEを比較することで、仕入れや在庫計画の改善につなげられます。

製造業では、製品需要や部品使用量の予測精度を確認するために使えます。MAPEが高い品目は予測が安定していない可能性があるため、生産計画や安全在庫の見直し対象になります。

Web運用では、アクセス数、問い合わせ数、広告経由のコンバージョン数などの予測精度を評価する用途があります。金融や不動産のような価格予測でも使われることがありますが、値動きの性質や外れ値の影響が大きいため、MAPEだけでモデルの良し悪しを判断するのは避けるべきです。

MAPEを使うときの実務上のポイント

MAPEを使うときは、まず実測値に0が含まれていないかを確認します。0が含まれる場合は、そのデータを除外するのか、別の指標を使うのか、業務上のルールを事前に決める必要があります。処理方法を曖昧にしたままMAPEを出すと、評価結果の意味が分からなくなります。

次に、MAPEの平均だけでなく、個別データの誤差も確認します。平均値は分かりやすい一方で、一部の大きな誤差に引っ張られることがあります。特に需要が小さい商品や、キャンペーン期間のような特殊なデータは、個別に確認した方が判断を誤りにくくなります。

最後に、MAPEは他の指標と併用するのが安全です。MAEは誤差の実量、RMSEは大きな誤差への感度、WAPEは全体量に対する誤差割合を見るのに役立ちます。MAPEは説明しやすい指標ですが、モデル評価では複数の視点を組み合わせることが重要です。

まとめ

MAPEは、予測値と実測値のずれをパーセントで表す、分かりやすい予測精度指標です。MAPEが小さいほど予測精度は高く、0%であれば完全に一致していることを意味します。

一方で、実測値が0の場合は計算できず、0に近い値では極端な値になりやすいという欠点があります。また、絶対値を使うため、MAPEだけでは過大予測か過小予測かを判断できません。

実務では、MAPEを単独で使うのではなく、MAE、RMSE、WAPE、SMAPEなどと組み合わせ、データの性質を確認しながら評価することが大切です。MAPEの意味と限界を理解して使えば、予測モデルの説明や改善に役立つ指標になります。

更新履歴