我知道，MAPE和WMAPE作为预测误差的指标，它们有一定的益处。 但是，什么是差距？ 有人说：
For MAPE: "Combinations with very small or zero volumes can cause large skew in results" And for WMAPE: "Combinations with large weights can skew the results in their favor"
我不明白，任何人都可以解释为两个指标的弱点两种说法？ 谢谢。
为MAPE，平均绝对误差百分比[1]，假设我们表示具有一个实际值，并且其中P预测值。 您在时间1有一系列数据的直通n，则
MAPE = 100/n * ( Sum of |(A(t) - P(t))/A(t)| ), for t in 1..n
where A(t) is the actual value at time t, P(t) is the predicted value at time t.
由于A（t）为分母，只要你有一个非常小或接近零A（T），该部门是像一个由零，这会在绝对百分比误差非常大的变化划分。 这样大的变化的组合导致的结果大的倾斜是肯定的。
对于WMAPE，加权平均绝对误差百分比，
Sum of |(A(t) - P(t))/A(t)| * W(t)
WMPAE = -------------------------------------, for t in 1..n
Sum of W(t)
where W(t) is the weight you associate with the prediction at time t.
由于这是一个加权衡量，它并没有同样的问题MAPE，例如，过度倾斜由于非常小或为零卷。
然而，权重因子将表明我们希望将每个预测[2]的主观重要性。
例如，考虑到发布日期，我们可以这样一种方式，权重越高分配权重，我们将在近期数据更高的重要性。 在这种情况下，我们可以观察到，即使在MAE是在合理的阈值时，系统的性能分析这种特殊的功能时，可能是不够的。
这是一个有利于更近的数据如何歪斜的结果。
[1] http://en.wikipedia.org/wiki/Mean_absolute_percentage_error
[2] http://ir.ii.uam.es/rue2012/papers/rue2012-cleger-tamayo.pdf
也有另一种错误的度量：
WAPE = 100/n * Sum(|(A(t) - P(t)|)/sum(A(t)), for t in 1..n
where A(t) is the actual value at time t, P(t) is the predicted value at time t.
它不是大的失真敏感。
