3、sMAPE定义与数学公式：对称化处理如何避免分母为零？
sMAPE（Symmetric Mean Absolute Percentage Error，对称平均百分比误差）在促销预测场景中，是为了弥补MAPE在分母为零或预测值/实际值差异极大时的缺陷而提出的改进指标。其核心思想是通过对称化处理，将分母从单一的实际值|A|改为|A| + |F|，从而在数学上规避分母为零的风险，并平衡误差的惩罚方向。
3.1 sMAPE的数学定义
对于包含n个样本的预测集，sMAPE的标准计算公式如下：
sMAPE = (200% / n) * Σ |F_i - A_i| / (|A_i| + |F_i|)其中：
- A_i：第i个样本的实际值（Actual）
- F_i：第i个样本的预测值（Forecast）
- n：样本总数
- 200%：对称化缩放因子，使结果范围落在[0%, 200%]之间
关键区别：与MAPE的分母为|A_i|不同，sMAPE的分母为|A_i| + |F_i|。当实际值A_i=0时，只要预测值F_i≠0，分母|F_i|>0，公式依然可计算，从根本上解决了“除零”问题。
3.2 对称化处理如何避免分母为零？
sMAPE的对称化设计通过以下三种机制保障分母不为零：
| 场景 | MAPE分母 | sMAPE分母 | sMAPE是否可计算 |
|---|---|---|---|
| A=0, F≠0 | |A|=0 → 除零错误 | |0|+|F| = |F| > 0 | 是 |
| A≠0, F=0 | |A|>0 → 可计算 | |A|+|0| = |A| > 0 | 是 |
| A=0, F=0 | |A|=0 → 除零错误 | |0|+|0| = 0 → 仍为除零 | 否（需特殊处理） |
⚠ 边界情况：当实际值和预测值同时为0时，sMAPE的分母仍为0。在实际促销预测中，若某商品在促销期间销量为0且预测也为0（如清仓商品），建议在计算前剔除该样本，或约定该点误差为0%。
3.3 对称化处理的数学意义
sMAPE的对称性体现在误差惩罚的平衡上：
- 双向惩罚：预测值过高（F > A）和预测值过低（F < A）在分母中受到对称的缩放影响，不会像MAPE那样对低估（A大F小）产生不对称的放大效应。
- 有界性：由于|F-A| ≤ |A|+|F|（三角不等式），sMAPE的值始终在[0%, 200%]之间，便于跨品类、跨促销活动对比。
- 促销场景适配：促销期间常出现销量突增（A很大）或清仓归零（A=0），sMAPE的分母设计能稳定处理这些极端值。
3.4 sMAPE分母稳定性对比流程图
下图展示了MAPE与sMAPE在分母计算路径上的核心差异，突出sMAPE如何通过引入预测值F来兜底分母为零的风险：
3.5 促销预测中的实际案例
以下表格对比了MAPE与sMAPE在典型促销场景下的表现：
| 促销场景 | 实际值A | 预测值F | MAPE | sMAPE | 说明 |
|---|---|---|---|---|---|
| 新品促销（零基础） | 0 | 100 | ∞（除零） | 200% | sMAPE可计算，但误差较大 |
| 清仓促销（预测为零） | 50 | 0 | 100% | 200% | sMAPE对称惩罚，误差翻倍 |
| 常规促销（正常波动） | 200 | 180 | 10% | 10.53% | 两者接近，sMAPE略高 |
| 爆款促销（低估） | 1000 | 500 | 50% | 66.67% | sMAPE惩罚更均衡 |
💡 选型建议：在促销预测中，若数据集中存在大量零销量商品（如新品、清仓品），sMAPE是比MAPE更稳健的选择。但需注意sMAPE在A=0且F=0时的边界处理，建议在数据预处理阶段统一约定。