我是数据科学的新手，并试图了解预测与实际的差异评估。
可以说我有实际情况：
27.580
25.950
0.000 (Sum = 53.53)
我使用 XGboost 的预测值为：
29.9
25.4
15.0 (Sum = 70.3)
仅根据总和进行评估会更好吗？示例添加所有实际值减去所有预测值？差 = 70.3 - 53.53？
还是根据 MSE、MAE、RMSE、MAPE 等预测误差技术来评估差异是否更好？
因为，我读到 MAPE 是最广泛接受的，所以在分母为 0 的情况下如何实现，如我上面的实际情况所示？
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吗？我的目标是建立更多涉及不同变量的预测模型，这些变量会给我不同的预测值，然后选择与实际值偏差最小的模型。
如果您要根据每个点或总和进行评估，取决于您的数据和您的用例。
例如，如果每个点代表一个时间桶，并且每个时间桶的准确性很重要（例如对于生产计划），那么我会说需要对每个桶进行评估。
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。
对于您在 MAPE 上的问题，您在此处提到的问题无法解决。您的数据必须非零才能使 MAPE 有价值。如果您只评估一个时间序列，那么您可以使用 MAE，然后您就不会遇到精度无限/未定义的问题。但是，有很多方法可以衡量准确性，我的经验是，这在很大程度上取决于您的用例和您的数据集，哪一种更可取。请参阅Hyndman 关于间歇性需求准确性的文章，了解有关准确性度量的一些要点。
每当由于 0 而无法计算时，我都会使用MdAPE(Median Absolute Percentage Error)MAPE