如题所述
实际上是这样的，预测准确率，一般来讲有两种算法，一种是21131-误差绝对值/预测，一种是1-误差绝对值/实绩。
两种算法针对的目标和目的不一样，第一种是偏向于销售目标的达成，就是说尽可能的销售到我计划要卖的梳理。第二种是尽可能的猜测实际市场的需求是什么样的。两种的使用场景和侧重点有所不同。
对于分母是0的情况，我们怎么办。一般情况在大多数的企业当中，把这种情况的预测准确率视为0。因为在现实世界中，逻辑上讲并不存在负数的情况。如果偏差很大，我们就认为他是“完全不准的”，但是对于偏差小的，我们认为他是有点儿准的，并给他计算了他有多准。也就是说预测准确率本身，我们只将他预测准的情况进行了量化，而没有对预测完全不准的情况进行量专化。因为如果要把预测完全不准的情况进行量化，这就是从0到负无穷的一个区间。那么在分母为0的情况下，我们就可以认为准确率=1-一个无穷大的数，自然这个准确率就是负无穷的。我们就只是给他定性为“完全不准”，给他的准确率赋值属就是0。
两种算法针对的目标和目的不一样，第一种是偏向于销售目标的达成，就是说尽可能的销售到我计划要卖的梳理。第二种是尽可能的猜测实际市场的需求是什么样的。两种的使用场景和侧重点有所不同。
对于分母是0的情况，我们怎么办。一般情况在大多数的企业当中，把这种情况的预测准确率视为0。因为在现实世界中，逻辑上讲并不存在负数的情况。如果偏差很大，我们就认为他是“完全不准的”，但是对于偏差小的，我们认为他是有点儿准的，并给他计算了他有多准。也就是说预测准确率本身，我们只将他预测准的情况进行了量化，而没有对预测完全不准的情况进行量专化。因为如果要把预测完全不准的情况进行量化，这就是从0到负无穷的一个区间。那么在分母为0的情况下，我们就可以认为准确率=1-一个无穷大的数，自然这个准确率就是负无穷的。我们就只是给他定性为“完全不准”，给他的准确率赋值属就是0。
温馨提示：答案为网友推荐，仅供参考
