几种MAPE的实现方式

方法一 （label 中有NaN值）

这种方式是为了防止label里面有NaN值，但没考虑是否为零值。这里以pytorch进行举例。

def masked_mape(preds, labels, null_val=np.nan):
    if np.isnan(null_val):
        mask = ~torch.isnan(labels)
    else:
        mask = (labels!=null_val)
    mask = mask.float()
    mask /=  torch.mean((mask))
    mask = torch.where(torch.isnan(mask), torch.zeros_like(mask), mask)
    loss = torch.abs((preds-labels)/labels)
    loss = loss * mask
    loss = torch.where(torch.isnan(loss), torch.zeros_like(loss), loss)
    return torch.mean(loss)

方法二（label 中有零值）

这种方式考虑了分母是否为零值，默认label不为Nan（提前保证，或者使用sklearn.utils.validation里面的cheak_array()函数来检查）。

def mape_loss_func(preds,labels):
    mask=labels!=0
    return np.fabs((labels[mask]-preds[mask])/labels[mask]).mean()

方法三 （限制过大过小值）

这种方式是推荐的，因为分母太小，会导致mape太大，所以，把它限定住，非常合适。如果需要，也可以对预测值进行一定的限制。
（下面的方法以label和预测值都在0-1之间进行举例）

def mape_loss_func2(preds,labels):
    return np.fabs((label-pred)/np.clip(label,0.1,1)).mean()