［評価関数］平均絶対パーセント誤差（MAPE：Mean Absolute Percentage Error）とは？：AI・機械学習の用語辞典
用語「平均絶対パーセント誤差」について説明。評価関数の一つで、各データに対して「予測値と正解値との差を、正解値で割った値（＝パーセント誤差）」の絶対値を計算し、その総和をデータ数で割った値（＝平均値）を表す。
用語解説「MAPE」
機械学習における平均絶対パーセント誤差（MAPE：Mean Absolute Percentage Error）とは、各データに対して「予測値と正解値との差を、正解値で割った値（＝パーセント誤差）」の絶対値を計算し、その総和をデータ数で割った値（＝平均値）を出力する関数である。（図1）。100％の確率値にするため、一般的には最後に100を掛ける（もちろん掛けなくてもよい）。なお誤差は、「予測値−正解値」ではなく「正解値−予測値」でもよい。
定義と数式
「パーセント誤差の絶対値」がイメージしやすいように、簡単なデータで手計算してみよう（図2）。
図2のデータでは5個（例えば1時〜5時）の期間からなる時系列データがあり、予測値−正解値で「誤差」を計算し、｜誤差÷正解値｜の絶対値で「絶対パーセント誤差」を計算している。5個の計算結果を平均し、最後に100％確率値にするため100を掛けて、最終的に10.2222％という平均絶対パーセント誤差（MAPE）が計算されている。「平均して約10％前後の誤差がある」という意味になる。
用途
MAPEは、主に時系列予測や回帰問題において、モデルの予測性能を評価するための評価関数として用いられる。例えば一般のビジネスマンに向けて誤差をパーセント（確率値）で分かりやすく伝えたいときなどで役立つだろう。0に近いほどより良い。なお、数値そのものではなくパーセントという比率を評価する関数であるので、最適化を行うための損失関数としては基本的に使われない。
利点は、相対誤差であることだ。MAEやRMSEなどは絶対誤差であるため、スケール（数値の桁数）が異なる状況での評価には使いづらい。相対誤差では、ズレではなく比率（パーセント）で誤差を評価できるため、スケールが異なるデータの予測（時系列予測など）に対応できる。例えばコンビニの販売数量の予測では、店舗ごとにスケールが違う可能性があるが、そんな場合にも「この機械学習モデルの出力結果は、30％前後の誤差がある」といった形で評価できる。一方で、気温の予測のようにどこでもスケールが変わらない時系列予測の場合は、MAEやRMSEの方が適切である。
欠点は、正解値に0がある場合は割り算ができずにエラーになる問題があること。また、小数点以下で0に近い正解値の場合、極端に大きな評価値になりがちなことである。
MAPEの使い所はなかなか難しく、「適切に使えるか」を慎重に確認する必要がある。ちなみにMAPEの弱点を克服するために、さまざまな代替案（例えばMASE：Mean Absolute Scaled ErrorやSMAPE：Symmetric Mean Absolute Percentage Errorなど）が考え出されているようだが、決定打がまだ出ていないようである（参考：「What the MAPE is FALSELY blamed for, its TRUE weaknesses and BETTER alternatives! | STATWORX」）。
API
主要ライブラリーでMAPEは、次のクラス／関数で定義されている。
- scikit-learn： mean_absolute_percentage_error関数
- TensorFlow（2.x）／Keras： MeanAbsolutePercentageErrorクラスやmean_absolute_percentage_error()関数、また（compile()メソッドの引数metricsで）'mean_absolute_percentage_error'や'MAPE'など
- PyTorch： ※標準では用意されていない。カスタムで自作することは可能。外部のTorchMetricsライブラリーやPyTorch-Igniteライブラリーには用意されている
ここを更新しました（2023年12月4日）
用途の説明の一部をより正確に修正しました。PyTorchライブラリーの内容を追記しました。
Copyright© Digital Advantage Corp. All Rights Reserved.