K_DM Book
用語集
対象者 標準
対象者別の入口 →

対象者の設定はこのブラウザの中にだけ保存されます。

言語 JA

RMSPE

中級

03.2.14

RMSPE

最終更新 2020-07-29 読了時間 3 分
まとめ
RMSPE(Root Mean Squared Percentage Error)は、各サンプルの割合誤差 \((y_i - \hat{y}_i) / y_i\) を 2 乗して平均し、平方根を取った指標です。MAPE が割合誤差の絶対値を平均するのに対し、RMSPE は 2 乗するため、5% の外れは 1.25% の外れの 16 倍の重みで数えられ、大きな割合外れが 1 件あるだけで値が跳ね上がります。実測 \([120, 150, 80, 200]\) と予測 \([118, 148, 79, 190]\) の例では MAPE が 2.31%、RMSPE が 2.79% で、差の分だけ最後のサンプルの 5% の外れが強調されています。分母が実測値なので、実測が 0 に近いサンプルがあると値が発散する点は MAPE と同じ弱点です。

MAE・RMSE の概念を先に学ぶと理解がスムーズです。

直感 #

小売店の 4 商品の週間販売数を予測し、実測が 120・150・80・200 個、予測が 118・148・79・190 個だったとします。割合誤差はそれぞれ 1.67%・1.33%・1.25%・5.00% です。MAPE はこの 4 つを平均して 2.31% ですが、RMSPE はまず 2 乗するので、最後の 5% は \(0.05^2 = 0.0025\)、1.25% は \(0.0125^2 = 0.000156\) と 16 倍の差が付きます。平均して平方根を戻すと 2.79% になり、MAPE より 0.48 ポイント高い分が「1 商品だけ大きく外した」ことへのペナルティです。RMSE と MAE の関係を、絶対誤差ではなく割合誤差の上でそのまま再現したのが RMSPE だと考えると覚えやすいです。

式で書くと何を平均しているか #

$$ \mathrm{RMSPE} = \sqrt{\frac{1}{n} \sum_{i=1}^n \left( \frac{y_i - \hat{y}_i}{y_i} \right)^2 } $$

和の中身は割合誤差の 2 乗で、RMSE の式の \(y_i - \hat{y}_i\) を \(y_i\) で割ったものです。実務ではパーセント表示にするため 100 を掛けることが多く、上の例なら 0.0279 を 2.79% と報告します。分母が \(y_i\) なので、実測値が 0 に近いサンプルでは割合誤差が数百 % になり、2 乗されるぶん RMSPE 全体がその 1 件に支配されます。

Python で計算 #

次のコードは、割合誤差の 2 乗平均の平方根を返す関数 rmspe を定義し、4 商品の実測・予測の例で 2.79% と表示します。

1
2
3
4
5
6
7
8
9
import numpy as np

def rmspe(y_true: np.ndarray, y_pred: np.ndarray, eps: float = 1e-8) -> float:
    ratios = (y_true - y_pred) / np.maximum(np.abs(y_true), eps)
    return float(np.sqrt(np.mean(ratios**2)))

y_true = np.array([120, 150, 80, 200])
y_pred = np.array([118, 148, 79, 190])
print(f"RMSPE = {rmspe(y_true, y_pred) * 100:.2f}%")

実行結果の読み方 #

RMSPE = 2.79% と出ます。同じデータの MAPE は 2.31% なので、RMSPE の方が 0.48 ポイント高く、これが「4 件中 1 件だけ 5% 外した」ことに対する追加のペナルティです。RMSPE と MAPE がほぼ同じなら割合誤差は全サンプルで均一、RMSPE が MAPE の 1.5 倍を超えるなら少数のサンプルで大きく外していると診断できます。

使いどころと落とし穴 #

リテールの需要予測では、販売数量の割合誤差を重視し、特定 SKU での大外れを許さない KPI として RMSPE を使います。金融では収益率や価格変動の予測誤差を割合で測りたい場面で、エネルギー負荷予測では負荷の規模が 100 MW から 1,000 MW まで変動しても相対的なズレを同じ物差しで評価できます。RMSPE は MAPE よりも大きな外れを強調するため、「平均的に当たっていればよい」ではなく「大外れを避けたい」リスク回避志向の KPI に適しています。

指標特徴注意点
MAPE平均百分率誤差。直感的大きな誤差に線形にしか反応しない
RMSPE大きな割合誤差を強くペナルティ実測値が 0 に近いと発散
RMSLE対数スケールで評価比率に近いが、解釈がやや難しい

落とし穴は 3 つあります。1 つ目はゼロや極小値で、実測 1 個の商品を 3 個と予測すると割合誤差は 200% になり、2 乗されて RMSPE 全体を支配するため、該当サンプルを除外するか WAPE・RMSLE を併用します。2 つ目は単位やスケールの情報が消えることで、RMSPE 2.79% だけでは「何個外したか」が分からないため、MAE や WAPE も併記します。3 つ目は期間をまたいだ比較で、商品構成が変わると分母の分布も変わるため、同じ商品・同じ期間のセットで計算して公平性を保ちます。

まとめ #

RMSPE は割合誤差 \((y_i - \hat{y}_i) / y_i\) を 2 乗平均して平方根を取る指標で、5% の外れを 1.25% の外れの 16 倍の重みで数えるため、大きな割合外れを強調したいときに使います。4 商品の例では MAPE 2.31% に対して RMSPE 2.79% となり、差がそのまま「1 件の大外れ」の存在を示します。分母が実測値なので 0 近傍のサンプルがあると発散し、eps はエラーを防ぐだけで値の暴走は防げません。MAPE で平均的な割合誤差、RMSPE で大外れの有無、MAE や WAPE で絶対量のずれ、と 3 つの視点を並べてモデルを評価します。

ノイズと各指標の変化 #

スライダーで noise_level を上げると、RMSPE・MAPE・RMSE が同時に伸びます。ノイズ 1.0 では MAPE 12.3% に対して RMSPE 20.1%、ノイズ 3.0 では MAPE 36.4% に対して RMSPE 50.7% と、RMSPE が常に MAPE の 1.4〜1.7 倍になるのは、実測が 1 付近の小さなサンプルで割合誤差が大きく、2 乗で強調されるためです。