sklearn ≥ 1.0 中用 mean_squared_error(..., squared=False) 得 RMSE、mean_absolute_percentage_error 自动跳过 y_true=0 样本；需确保输入为 1D、无 NaN/inf，且注意 MAPE 对近零真值敏感。
直接用 sklearn.metrics 计算 RMSE 和 MAPE 最稳
别自己手写开方或百分比逻辑——sklearn 的实现已处理边界、数值稳定性与 dtype 一致性。尤其 mean_absolute_percentage_error 在 scikit-learn ≥ 1.0.2 中默认会跳过真实值为 0 的样本（避免除零），而旧版本（如 0.24）会直接报 ZeroDivisionError。
实操建议：
- 确认
scikit-learn版本 ≥ 1.0：pip install --upgrade scikit-learn - 传入的
y_true和y_pred必须是 1D array-like，且不能含NaN或inf（否则MAPE会返回inf或引发警告） - 若业务上明确禁止跳过零值样本（例如必须反映“零销量预测失败”的严重性），需先手动过滤或替换
y_true == 0的位置，再调用
RMSE 就是 mean_squared_error 开根号，但别漏掉 squared=False
从 sklearn 1.0 开始，mean_squared_error 新增了 squared 参数：squared=True 返回 MSE，squared=False 直接返回 RMSE。这是最简洁安全的方式，比手动套 math.sqrt() 或 np.sqrt() 更可靠——它复用了同一套输入校验和 nan 处理逻辑。
常见错误现象：
- 写成
np.sqrt(mean_squared_error(y_true, y_pred))：当输入含NaN时，mean_squared_error默认返回NaN，再开方仍是NaN，但你可能误以为是计算异常 - 忽略
multioutput参数：若y_true是多列（如多目标回归），不设multioutput='uniform_average'会返回数组而非标量
MAPE 对接近零的真实值极度敏感，务必检查数据分布
MAPE 的公式本质是逐样本算 abs((y_true - y_pred) / y_true) 再平均。只要 y_true 有值接近 0（比如 0.001），哪怕预测只差 0.0005，误差百分比也会飙到 50%；若真值恰好为 0，新版 sklearn 会跳过，但结果已不代表全量样本。
使用场景判断要点：
- 适用于真实值整体 > 10 且无集中低值区的场景（如月度销售额预测）
- 若目标变量含大量 0–1 区间值（如转化率、响应概率），改用
MAE或WMAPE（加权版，分母用总真实值和） - 调试时快速检查：
print(np.min(y_true[y_true > 0]))—— 若结果 MAPE 数值基本不可信
在 Keras 模型训练中监控 rmse 和 mape 要注意名称大小写
Keras 内置指标名是字符串，且对大小写敏感：'rmse' 是无效的，必须用 'root_mean_squared_error' 或简写 'mse'（但后者返回的是 MSE，不是 RMSE）；MAPE 则支持 'mape' 和 'mean_absolute_percentage_error' 两种写法。
性能影响提示：
- 启用
mape作为metrics会略微拖慢每轮训练速度，因需额外做除法与条件判断（尤其当 batch 中含 0 值时） - 验证集上的
mape值若远高于训练集，不一定是过拟合，更可能是验证集里低值样本比例更高——得看分布，别急着调参
真正容易被忽略的点在于：RMSE 和 MAPE 的量纲与解释逻辑完全不兼容。RMSE 是“平均偏差多少单位”，MAPE 是“平均偏差百分之几”——把它们并列打印出来却不说明前提，很容易让业务方误读模型能力。尤其是当目标变量跨数量级（如同时预测千元级额度和个位数逾期天数）时，强行统一用 MAPE 评估，结果必然失真。
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！
