遇到ZeroDivisionError应改用SMAPE或过滤零值，因MAPE分母为y_true，含零即报错；sklearn.mean_squared_error默认返回MSE而非RMSE，需设sqrt=True；RMSE与MAPE变化方向不一致时，反映模型对大小样本误差的平衡问题。
计算MAPE时遇到ZeroDivisionError怎么办
MAPE公式里分母是y_true，只要真实值中存在0，就会触发ZeroDivisionError: division by zero。这不是代码写错了，而是指标本身的数学限制——它根本不适用于含零真实值的场景。
常见错误现象：调用sklearn.metrics.mean_absolute_percentage_error时直接报错，或手动实现时np.mean(np.abs((y_true - y_pred) / y_true))在y_true含0时崩溃。
- 最稳妥的做法是先检查：
np.any(y_true == 0)，为True就别用MAPE - 业务上允许剔除时，可过滤：
mask = y_true != 0; mape = np.mean(np.abs((y_true[mask] - y_pred[mask]) / y_true[mask])) - 更推荐换用
SMAPE（对称MAPE），它分母是(|y_true| + |y_pred|)/2，规避了零值问题
sklearn的mean_squared_error默认不返回RMSE
很多人以为mean_squared_error返回的就是RMSE，其实它默认返回MSE。想拿到RMSE，必须显式传参sqrt=True，否则还要自己开根号。
容易踩的坑：
- 忘记加
sqrt=True，误把MSE当RMSE解读（比如MSE=100被当成“平均误差100”，实际RMSE=10） - 用旧版sklearn（sqrt参数不存在，只能手动
np.sqrt(mean_squared_error(...)) -
multioutput参数影响结果维度，单目标回归保持默认'uniform_average'即可
正确写法：from sklearn.metrics import mean_squared_error; rmse = mean_squared_error(y_true, y_pred, sqrt=True)
MAPE和RMSE量纲不同，不能直接比数值大小
RMSE单位和y_true一致（比如房价预测单位是“万元”），而MAPE是百分比（无量纲）。把RMSE=5.2和MAPE=8.3放一起说“MAPE更小所以更好”，是典型误解。
关键区别：
- RMSE放大异常值影响——一个偏离30的样本，对RMSE的贡献是MAE的6倍（30² vs 30）
- MAPE强调相对误差，但对低值敏感：真实值是1，预测为2，MAPE=100%；真实值是1000，预测为1001，MAPE=0.1%
- 两者对数据分布假设不同：RMSE隐含正态误差假设，MAPE更适合误差随量级变化的业务（如销量预测）
为什么线上部署常同时上报RMSE和MAE，却很少报MAPE
不是MAPE不好，而是它的稳定性太差。真实业务数据里，y_true接近0的样本（如冷启动商品、长尾用户额度）几乎不可避免，导致MAPE单点波动剧烈，监控曲线毛刺多，难以定位模型退化还是数据异常。
实操建议：
- 离线评估阶段：用RMSE看整体偏差尺度，用MAE看鲁棒性，用MAPE辅助理解高价值样本的相对误差（限定
y_true > threshold子集） - 线上SLO：优先用RMSE+MAE组合，MAPE仅作辅助报表，且必须加
y_true > 1e-6过滤 - 替代方案：
MAPE不稳定时，SMAPE或log-cosh loss衍生指标更适合作为优化目标
真正难的不是算出两个数，而是理解为什么同一个模型在RMSE上提升2%，MAPE却恶化5%——那往往意味着你压低了大额样本的误差，却让小额样本的相对偏差失控了。
Python免费学习笔记（深入）：立即使用
在学习笔记中，你将探索 Python 的核心概念和高级技巧！
