我是数据科学的新手，正在努力理解预测与实际的差异评估。
假设我有实际值：
27.580
25.950
0.000 (Sum = 53.53)
我使用XGboost的预测值是：
29.9
25.4
15.0 (Sum = 70.3)
仅仅根据总和进行评估更好吗？示例添加所有实际值减去所有预测值？差异=70.3-53.53？
还是基于MSE、MAE、RMSE、MAPE等预测误差技术来评估差异更好？
既然我读到MAPE是最广泛接受的，那么如何在0是分母的情况下实现它，正如我在上面的实际情况中所看到的那样？
有没有更好的方法来评估与实际的偏差，或者这些是唯一合法的方法？我的目标是建立更多涉及不同变量的预测模型，这将给我不同的预测值，然后选择与实际值偏差最小的模型。
如果要根据每个点或总和进行评估，则取决于您的数据和用例。
例如，如果每个点代表一个时间段，并且每个时间段的准确性很重要(例如，对于生产计划(，那么我认为需要对每个时间段进行评估。
如果你要衡量总和的准确性，那么你也可以根据总和进行预测。
对于你在MAPE上的问题，你在这里提到的问题是无法解决的。您的数据必须为非零，MAPE才有价值。如果你只评估一个时间序列，那么你可以使用MAE，这样你就不存在精度无限/未定义的问题。但是，有很多方法可以测量准确性，我的经验是，这在很大程度上取决于您的用例和数据集，哪一种更可取。请参阅Hyndman关于间歇性需求的准确性的文章，了解有关准确性测量的一些要点。
当MAPE由于0s 而无法计算时，我使用MdAPE(中值绝对百分比误差(