为何添加MAPE指标后训练输出的平均绝对百分比误差异常偏高？

这种十几万甚至上百万的MAPE值绝对不正常，大概率是你忽略了数据预处理的关键步骤，或是你的数据特性和MAPE指标本身的局限性冲突了。下面给你拆解问题和解决办法：

核心原因：MAPE对极小值极其敏感 #

先明确MAPE的计算公式：

MAPE = 100 * 平均(|(实际值 - 预测值)/实际值|)

如果你的目标变量（实际值y_true）中存在大量接近0的数值，分母会变得极小，直接导致整个计算结果爆炸式增长——这就是你看到离谱数值的根本原因。

解决办法：从数据和指标两方面入手 #

1. 先检查并预处理你的数据 #

• 第一步：查看目标变量的取值分布，确认是否存在大量接近0的样本。如果是，必须做归一化/标准化：
  • 用MinMaxScaler把数据缩放到[0,1]区间，或者用StandardScaler转换成均值为0、方差为1的分布。这样能避免出现极小的分母值，MAPE会立刻回归合理范围。
  • 注意：训练集和测试集要共用同一个缩放器——用训练集拟合的缩放器去转换测试集，不要分开拟合。

2. 替换内置MAPE为自定义抗干扰版本 #

Keras内置的mean_absolute_percentage_error没有处理分母为0的情况，你可以自定义一个带epsilon的MAPE，避免除以0的极端情况：

import tensorflow.keras.backend as K

def custom_mape(y_true, y_pred):
    # 用K.maximum确保分母不会小于1e-7，彻底避免除以0
    return 100 * K.mean(K.abs((y_true - y_pred) / K.maximum(y_true, 1e-7)), axis=-1)

然后在编译模型时使用这个自定义指标：

model.compile(optimizer='adam', loss='mse', metrics=[custom_mape])

3. 考虑换用更合适的指标 #

如果你的目标变量本身就有很多0或者极小值，MAPE其实不是最佳选择。可以试试这些替代指标：

• MAE（平均绝对误差）：对异常值的敏感度比MAPE低，不需要除法运算，结果更稳定。
• SMAPE（对称平均绝对百分比误差）：公式是100 * 平均(|y_true - y_pred| / ((|y_true| + |y_pred|)/2))，既避免了分母为0的问题，又保留了百分比的可解释性。

总结 #

先去检查你的目标变量分布，优先做数据归一化/标准化，这是最快速解决问题的办法。如果还是有问题，再考虑自定义MAPE或者换用其他指标。

内容的提问来源于stack exchange，提问作者Srivatsa Sharma G