予測結果をMAPE(平均絶対誤差率)に変更したい

Question

#前提・実現したい事
北海道の電力需要の機械学習の勉強をしています。
予測結果をScoreからMAPEに変更したいのですがどのようにすればよいでしょう。

#直したい部分

# 予測結果（スコア）
Score = 'Score =' + str(model.score(x_test,y_test))
print(Score)

#該当のソースコード

import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
import datetime as dt #日付・時刻を扱うためのライブラリ

# 学習用データ（2018年度電力需要）の読み込み
filename = "/content/drive/MyDrive/Colab Notebooks/2016-18 .csv"
df = pd.read_csv(filename,encoding="SHIFT-JIS")
# 欠損データ行を削除
df = df.dropna()

# 学習データの説明変数とするデータ列の指定
x = ['Month', 'Week', 'Hour', 'Asa_Temp', 'Hako_Temp', 'Toma_Temp', 'Kushi_Temp', 'Aba_Temp']
# 学習データの目的変数とするデータ列の指定
y = ["Power"]

# それぞれの数値型を指定
x = df[x].values.astype('float')
y = df[y].values.astype('int').flatten()

#学習データを学習用データと検証用データに分割（学習:検証＝9:1）
from sklearn import model_selection as ms
x_train, x_test, y_train, y_test = ms.train_test_split(x, y, test_size=.1, random_state=42)

#データの標準化（平均0，分散1）
from sklearn.preprocessing import StandardScaler
scaler = StandardScaler()
scaler.fit(x_train) #標準化に必要な標準偏差，平均値を算出
x_train = scaler.transform(x_train) #標準化
x_test = scaler.transform(x_test) #標準化

#学習（ランダムフォレスト）
def RandomF(x_train, x_test):
  from sklearn.ensemble import RandomForestRegressor
  model = RandomForestRegressor()
  model.fit(x_train, y_train)
  print('Score = ', model.score(x_test, y_test))
  return model

model = RandomF(x_train, x_test); MLname = 'Random forest model'

# 検証用データ（2019年度電力需要）の読み込み
filename = "/content/drive/MyDrive/Colab Notebooks/2019 .csv"
df = pd.read_csv(filename,encoding="SHIFT-JIS")

df = df.dropna()

# 検証用データの説明変数とするデータ列の指定
x = ['Month', 'Week', 'Hour', 'Asa_Temp', 'Hako_Temp', 'Toma_Temp', 'Kushi_Temp', 'Aba_Temp']
# 検証用データの目的変数とするデータ列の指定
y = ['Power']

# それぞれの数値型を指定
x = df[x].values.astype('float')
y = df[y].values.astype('int').flatten()
x_test =  scaler.transform(x)
y_test = y

# 予測
result = model.predict(x_test)



# 予測結果（スコア）
Score = 'Score =' + str(model.score(x_test,y_test))
print(Score)

# グラフの準備
# データシートへの予測結果と年月日時刻の追加
df['PrePower'] = result
df['Datetime'] = pd.to_datetime(df[['Year', 'Month', 'Day', 'Hour']])

# グラフ
plt.figure(figsize=(16,4),facecolor='white')
plt.title(MLname, size=16)
plt.xlabel('Time')
plt.ylabel('Demand (x10,000 kW)')
plt.xlim(dt.datetime(2019,4,1,0), dt.datetime(2020,3,31,23))
# plt.xlim(datetime.datetime(2019,4,1,0), datetime.datetime(2019,4,2,23))
plt.grid(True)
plt.plot(df['Datetime'], df['Power'], label='Act',linewidth = 0.7)
plt.plot(df['Datetime'], df['PrePower'], label='Pre',linewidth = 0.7)
plt.legend(loc='upper right')
plt.text(dt.datetime(2019,4,2,0), 470, Score, size=14)

# 作成したグラフの保存
plt.savefig("/content/drive/MyDrive/Colab Notebooks/Result.png")

Answer 1

sckitlearnの中に該当する関数があるのでそれを使うといいかと思います。

from sklearn.metrics import mean_absolute_percentage_error as mape
mape_score = mape(y_test,result)

関数の第一引数は、真の値（つまり観測値）です。第二引数は予測結果になります。
なお、scikitlearnのバージョンが古いと当該関数は未実装なので、あらかじめ最新（0.24.2）にしておくといいかと思います。

Comments

[n_r]

sklearnのバージョンが古いことは判明しました。
しかし申し訳ないのですがバージョンの更新というのはどのように行うのでしょうか

[R.Shigemori]

anacondaとセットでインストールしたのであれば、conda update モジュール名（例　scikit-learn）でいけるはずです