Keras训练时MAPE指标激增但MSE损失正常的原因探究

1. MAPE在epoch末尾激增的核心原因 #

这完全是MAPE自身的计算公式缺陷导致的：

• MAPE的数学表达式是：

  MAPE = (1/N) * Σ( |y_true - y_pred| / y_true ) * 100
  

  当训练数据中存在y_true趋近于0的样本时，分母接近0，单个样本的MAPE会直接飙升到几千甚至上万，瞬间拉高整个batch的MAPE值。
• 你观察到的“epoch末尾激增”，本质是那个epoch的最后几个batch刚好集中了这类y_true接近0的样本，而前面的batch没有这类数据，所以前半段epoch的MAPE看起来正常，到末尾被拉高。
• 而MSE和MAE不受这个问题影响：MSE是误差的平方，MAE是误差的绝对值，两者都没有除法依赖y_true的操作，所以表现始终稳定。

2. 这个现象会影响训练吗？ #

完全不会影响训练的收敛过程：

• 你的模型用MSE作为损失函数，反向传播的梯度计算只由MSE主导，MAPE只是一个用于评估的“旁观者”，不会参与模型参数的更新。只要训练集和验证集的MSE、MAE都在持续下降，就说明模型在正常学习。
• 不过要注意：如果你的业务场景中频繁出现y_true接近0的情况，MAPE的参考价值会大打折扣，这时候建议优先关注MAE、MSE，或者换成更鲁棒的指标（比如SMAPE，它用(|y_true| + |y_pred|)/2作为分母，避免了除以0的问题）。

内容的提问来源于stack exchange，提问作者bcsta