我有一个处理降雨的时间序列。它为期 10 年（每日分辨率），涵盖气候变量。
我将把数据输入人工神经网络以预测降雨变量 (PP)。
正如我一直在阅读的那样，MAPE 的公式涉及除以实际观察值。但由于降雨，将有几天降水量很少或为零。
这很糟糕（除以零 = 黑洞）。那么我该怎么做呢？我可以对零或接近零的值进行数据替换，但这很愚蠢 - 如果我这样做，我会夸大很多东西，并且在某种程度上篡改了数据（与缺失值不同，应该估算通过其他数据而不是用其他任意值填充）。
我的教授像骡子一样固执。MAPE有什么替代品吗？或者有什么方法可以规避 MAPE 的问题？
编辑
数据集中有小值和零值……我现在是不是搞砸了？
不，实际上 MAPE 是非常差的误差度量，正如 Stephan Kolassa 在优化 MAPE和预测准确性的最佳方式- 另一种度量而不是 MAPE和最小化对称平均绝对百分比误差 (SMAPE)和那些幻灯片中所讨论的那样。您还可以查看以下论文：
Tofallis, C. (2015)。更好地衡量模型选择和模型估计的相对预测精度。运筹学学会杂志，66（8），1352-1362。
Goodwin 和 Lawton (1999) 在On the asymmetry of the symmetric MAPE论文中也对此进行了讨论
尽管 MAPE 被广泛使用，但它有几个缺点（Armstrong & Collopy，1992；Makridakis，1993）。特别是，Makridakis 认为 MAPE 是不对称的，因为“高于实际值的相同误差导致 APE 大于低于实际值的误差”。类似地，阿姆斯特朗和科洛比认为，“MAPE ……对超出实际的预测的惩罚比对低于实际的预测要重。例如，MAPE 在低端有 100% 的误差，但在高端没有限制。
引用的 (Makridakis, 1993) 论文为不对称提供了一个很好的例子，当预测值为预测是, MAPE 是，而当预测值为预测是MAPE 是尽管这两个预测都是错误的单位！
上述参考资料和其他来源的数量表明，如果您使用 MAPE 作为选择预测的标准，这将导致有偏差和低估的结果。此外，当预测值为零时，您会遇到问题。
在如何解释 Weka 输出中的错误度量？线程你可以找到其他错误措施的简要回顾。