学習 平均絶対パーセント誤差とは？MAPEの求め方・計算方法・注意点を解説
機械学習の模型を作る上で、その模型がどれくらいうまく動くのかを確かめることはとても大切です。うまく動く模型を選ぶためにも、さらに良い模型を作るためにも、模型の働き具合を正しく測る必要があります。模型の働き具合を測る方法はたくさんありますが、その中で平均絶対パーセント誤差（略してＭＡＰＥ）は、分かりやすく使いやすい測り方としてよく使われています。この文章では、ＭＡＰＥとは何か、どんな良い点や悪い点があるのか、そして実際にどのように使うのかを詳しく説明します。ＭＡＰＥを正しく理解すれば、機械学習の模型をもっとうまく評価できるようになります。
ＭＡＰＥは、実際の値と模型が予測した値の差をパーセントで表したものです。例えば、ある商品の実際の売上が１００個で、模型が１１０個と予測した場合、誤差は１０個です。この誤差を実際の売上１００個で割ってパーセントにすると、誤差は１０％になります。ＭＡＰＥは、複数のデータの誤差の絶対値を平均した値をパーセントで表すので、それぞれの誤差のプラスマイナスを気にせずに全体的な誤差の大きさを把握できます。このため、ＭＡＰＥは非常に分かりやすく、ビジネスの現場などでも使いやすい指標となっています。
しかし、ＭＡＰＥには実際の値がゼロに近い場合、誤差が無限大になってしまうという欠点があります。例えば、実際の売上が１個で、模型が１０個と予測した場合、誤差は９個で、これを１個で割ると誤差は９００％という大きな値になります。このような場合、ＭＡＰＥは信頼できる指標とは言えません。また、ＭＡＰＥは過小予測よりも過大予測を大きく評価するという性質も持っています。例えば、実際の売上が１００個の場合、模型が９０個と予測した場合の誤差は１０％ですが、１１０個と予測した場合の誤差も１０％です。しかし、ＭＡＰＥは過小予測よりも過大予測を大きく評価してしまうため、この２つの場合の評価は同じになりません。
このように、ＭＡＰＥにはいくつかの欠点もありますが、分かりやすさという点で大きな利点があります。ＭＡＰＥを正しく理解し、その欠点に注意しながら使用することで、機械学習の模型の評価をより効果的に行うことができるようになります。
