MAPE 是一個很好的誤差測量統計量嗎？還有什麼替代品？
我有一個處理降雨的時間序列。它為期 10 年（每日分辨率），涵蓋氣候變量。
我將把數據輸入人工神經網絡以預測降雨變量 (PP)。
正如我一直在閱讀的那樣，MAPE 的公式涉及除以實際觀察值。但由於降雨，將有幾天降水量很少或為零。
這很糟糕（除以零 = 黑洞）。那麼我該怎麼做呢？我可以對零或接近零的值進行數據替換，但這很愚蠢 - 如果我這樣做，我會誇大很多東西，並且在某種程度上篡改數據（與缺失值不同，應該估算通過其他數據而不是用其他任意值填充）。
我的教授像騾子一樣固執。MAPE有什麼替代品嗎？或者有什麼方法可以規避 MAPE 的問題？
編輯
數據集中有小值和零值……我現在是不是搞砸了？
不，實際上 MAPE 是非常差的誤差度量，正如 Stephan Kolassa 在優化 MAPE和預測準確性的最佳方式- 另一種度量而不是 MAPE和最小化對稱平均絕對百分比誤差 (SMAPE)和那些幻燈片中所討論的那樣。您還可以查看以下論文：
Tofallis, C. (2015)。更好地衡量模型選擇和模型估計的相對預測精度。運籌學學會雜誌，66（8），1352-1362。
Goodwin 和 Lawton (1999) 在On the asymmetry of the symmetric MAPE論文中也對此進行了討論
儘管 MAPE 被廣泛使用，但它有幾個缺點（Armstrong & Collopy，1992；Makridakis，1993）。特別是，Makridakis 認為 MAPE 是不對稱的，因為“高於實際值的相同誤差導致 APE 大於低於實際值的誤差”。類似地，阿姆斯特朗和科洛比認為，“MAPE ……對超出實際的預測的懲罰比對低於實際的預測要重。例如，MAPE 在低端有 100% 的誤差，但在高端沒有限制。
引用的 (Makridakis, 1993) 論文為不對稱提供了一個很好的例子，當預測值為預測是, MAPE 是，而當預測值為預測是MAPE 是儘管這兩個預測都是錯誤的單位！
上述參考資料和其他來源的數量表明，如果您使用 MAPE 作為選擇預測的標準，這將導致有偏差和低估的結果。此外，當預測值為零時，您會遇到問題。
在如何解釋 Weka 輸出中的錯誤度量？線程你可以找到其他錯誤措施的簡要回顧。