機械学習やAIによる予測モデルの評価では、「どれくらいズレているか」だけでなく、どれくらいの割合でズレているかを知ることも重要です。
その際によく使われる指標が**MAPE（平均絶対パーセント誤差：Mean Absolute Percentage Error）**です。
この記事では、MAPEの基本から計算方法、メリット・注意点、他の誤差指標との違いまでを、実務で役立つ形でわかりやすく解説します。
MAPE（平均絶対パーセント誤差）とは？
MAPEとは、予測値と実際の値（真値）のズレを「割合（％）」で表し、その平均を取った指標です。
簡単に言うと、
「予測は平均してどれくらい％ズレているのか」
を示します。
MAPEの計算方法
MAPEは以下の手順で計算されます。
- 予測値と真値の差（誤差）を求める
- その誤差を真値で割り、割合（％）に変換
- 絶対値を取り、全体の平均を算出
数式イメージ
MAPE ＝（｜誤差 ÷ 真値｜の平均）× 100（%）
具体例で理解する
以下のようなデータを考えてみましょう。
| データ | 真値 | 予測値 | 誤差 | 誤差率 |
|---|---|---|---|---|
| A | 100 | 90 | -10 | 10% |
| B | 200 | 220 | 20 | 10% |
| C | 400 | 360 | -40 | 10% |
この場合、
MAPE ＝（10% + 10% + 10%）÷ 3 ＝ 10%
つまり、予測は平均して10%の誤差があると解釈できます。
MAPEの特徴とメリット
1. 直感的に理解しやすい
「％」で表されるため、非エンジニアでも理解しやすく、ビジネス現場で説明しやすい指標です。
2. 異なるスケールのデータを比較できる
MAPEは割合ベースのため、単位やスケールが異なるデータでも比較が可能です。
例
- 売上（円）と気温（℃）など、単位が違うデータでも比較できる
3. パフォーマンスの比較に向いている
複数のモデルを比較する際に、「どちらが相対的に精度が高いか」を判断しやすい指標です。
MAPEの注意点とデメリット
1. 真値が0に近いと使えない
MAPEは「真値で割る」ため、
- 真値が0 → 計算できない
- 真値が非常に小さい → 誤差率が極端に大きくなる
という問題があります。
2. 損失関数としては使いにくい
割合に変換する特性上、数式として扱いづらく、モデルの学習（最適化）にはあまり使われません。
他の誤差指標との違い
MAPEは他の代表的な指標と性質が大きく異なります。
MAE（平均絶対誤差）との違い
- MAE：誤差を「数値」で表す
- MAPE：誤差を「割合」で表す
使い分け
- MAE：実際のズレ量を把握したい
- MAPE：相対的な精度を比較したい
MSE（平均二乗誤差）との違い
- MSE：大きな誤差を強く評価
- MAPE：誤差を割合で均等に評価
ポイント
- MSEは外れ値に敏感
- MAPEはスケールの違いに強い
実務での活用シーン
MAPEは以下のような場面でよく使われます。
代表例
- 売上予測（前年比や目標との比較）
- 需要予測（在庫管理）
- エネルギー消費予測
- KPIの精度評価
MAPEを使う際のポイント
実務では、MAPE単体ではなく複数の指標と組み合わせて評価します。
おすすめの組み合わせ
- MAPE + MAE → 絶対値と割合の両方を把握
- MAPE + RMSE → 外れ値の影響も確認
まとめ
MAPE（平均絶対パーセント誤差）は、予測のズレを「割合」で評価できる便利な指標です。
重要なポイントを整理すると：
- 誤差を％で表すため直感的に理解しやすい
- 異なるスケールのデータ比較に強い
- 真値が0に近い場合は注意が必要
- 学習よりも評価・比較に向いている
- 他の指標と併用するのが実務では基本
AIやデータ分析では、「どの視点で精度を見るか」が重要です。
MAPEを活用することで、より実務に即した評価が可能になります。用途に応じて適切に使い分けていきましょう。
こちらもご覧ください：平均二乗誤差（MSE）とは？計算方法・意味・RMSEとの違いをわかりやすく解説
