Hướng dẫn đo lường độ chính xác mô hình dự báo trong Python (RMSE, MAE, MAPE)

import numpy as np
from sklearn.metrics import mean_absolute_error, mean_squared_error

# Khởi tạo hằng số và dữ liệu mẫu (Ground truth và Predictions)
TRUE_VALUES = np.array([100.0, 120.0, 130.0, 115.0, 140.0])
PREDICTED_VALUES = np.array([105.0, 115.0, 135.0, 110.0, 150.0])

def calculate_mape(y_true, y_pred):
    """Hàm tính sai số phần trăm tuyệt đối trung bình MAPE"""
    y_true, y_pred = np.array(y_true), np.array(y_pred)
    
    # Lọc bỏ các giá trị thực tế bằng 0 để tránh lỗi chia cho không (Division by zero)
    non_zero_mask = y_true != 0
    
    if not np.any(non_zero_mask):
        return 0.0
        
    return np.mean(np.abs((y_true[non_zero_mask] - y_pred[non_zero_mask]) / y_true[non_zero_mask])) * 100

def evaluate_forecast_model(y_true, y_pred):
    """Hàm tổng hợp để đo lường độ chính xác mô hình dự báo"""
    mae_value = mean_absolute_error(y_true, y_pred)
    rmse_value = np.sqrt(mean_squared_error(y_true, y_pred))
    mape_value = calculate_mape(y_true, y_pred)
    
    return mae_value, rmse_value, mape_value

# Thực thi hàm đánh giá mô hình
mae, rmse, mape = evaluate_forecast_model(TRUE_VALUES, PREDICTED_VALUES)

print(f"MAE (Sai số tuyệt đối trung bình): {mae:.2f}")
print(f"RMSE (Sai số bình phương trung bình gốc): {rmse:.2f}")
print(f"MAPE (Sai số phần trăm tuyệt đối): {mape:.2f}%")

import numpy as np
from sklearn.metrics import mean_absolute_error, mean_squared_error

# Khởi tạo dữ liệu thực tế và dự báo doanh thu 6 tháng
ACTUAL_SALES = np.array([150.0, 200.0, 250.0, 220.0, 300.0, 350.0])
PREDICTED_SALES = np.array([140.0, 210.0, 240.0, 230.0, 280.0, 360.0])

def evaluate_sales_forecast(actual, predicted):
    """Hàm đánh giá dự báo doanh thu và tìm tháng có sai số lớn nhất"""
    actual = np.array(actual)
    predicted = np.array(predicted)
    
    # Tính toán các chỉ số cơ bản
    mae = mean_absolute_error(actual, predicted)
    rmse = np.sqrt(mean_squared_error(actual, predicted))
    mape = np.mean(np.abs((actual - predicted) / actual)) * 100
    
    # Tìm tháng có sai số tuyệt đối lớn nhất
    absolute_errors = np.abs(actual - predicted)
    max_error_month = np.argmax(absolute_errors) + 1
    max_error_value = np.max(absolute_errors)
    
    return mae, rmse, mape, max_error_month, max_error_value

# Thực thi và in kết quả
mae_val, rmse_val, mape_val, month_idx, max_err = evaluate_sales_forecast(ACTUAL_SALES, PREDICTED_SALES)

print(f"MAE: {mae_val:.2f}")
print(f"RMSE: {rmse_val:.2f}")
print(f"MAPE: {mape_val:.2f}%")
print(f"Tháng có sai số tuyệt đối lớn nhất: Tháng {month_idx} (Độ lệch: {max_err:.2f})")

import numpy as np
from sklearn.metrics import mean_absolute_error, mean_squared_error

# Khởi tạo dữ liệu thực tế và dự báo từ 2 mô hình
ACTUAL_DEMAND = np.array([50.0, 65.0, 80.0, 95.0, 110.0])
MODEL_A_PREDS = np.array([52.0, 63.0, 85.0, 90.0, 115.0])
MODEL_B_PREDS = np.array([48.0, 70.0, 78.0, 92.0, 105.0])

def compare_models(actual, pred_a, pred_b):
    """Hàm so sánh hiệu suất giữa 2 mô hình dựa trên RMSE và MAE"""
    # Tính toán cho Model A
    mae_a = mean_absolute_error(actual, pred_a)
    rmse_a = np.sqrt(mean_squared_error(actual, pred_a))
    
    # Tính toán cho Model B
    mae_b = mean_absolute_error(actual, pred_b)
    rmse_b = np.sqrt(mean_squared_error(actual, pred_b))
    
    print(f"Model A -> MAE: {mae_a:.2f} | RMSE: {rmse_a:.2f}")
    print(f"Model B -> MAE: {mae_b:.2f} | RMSE: {rmse_b:.2f}")
    
    # So sánh dựa trên RMSE (chỉ số phạt lỗi lớn tốt hơn)
    if rmse_a < rmse_b:
        return "Kết luận: Model A hoạt động tốt hơn."
    elif rmse_b < rmse_a:
        return "Kết luận: Model B hoạt động tốt hơn."
    else:
        return "Kết luận: Hai mô hình có hiệu suất tương đương."

# Thực thi so sánh
comparison_result = compare_models(ACTUAL_DEMAND, MODEL_A_PREDS, MODEL_B_PREDS)
print(comparison_result)