为了提高随机森林回归模型的准确性，我将scikit learn的标准特征缩放器改成了MinMax缩放器。在使用标准缩放器时，我没有遇到错误。准确性提高了，但在计算MAPE时我得到了以下错误。

Mean Absolute Error: 0.03Accuracy: -inf %.__main__:5: RuntimeWarning: divide by zero encountered in true_divide

代码如下：

from sklearn.preprocessing import MinMaxScalersc_X = MinMaxScaler()X_train = sc_X.fit_transform(X_train)X_test = sc_X.transform(X_test)sc_y = MinMaxScaler()y_train = sc_y.fit_transform(y_train)#MAEerrors = abs(y_pred - y_test)print('Mean Absolute Error:', round(np.mean(errors), 2))# Calculate mean absolute percentage error (MAPE)mape = 100 * (errors / y_test)# Calculate and display accuracyaccuracy = 100 - np.mean(mape)print('Accuracy:', round(accuracy, 2), '%.')

回答：

不幸的是，这是使用MAPE的问题之一。根据维基百科的说法：

像平均绝对百分比误差（MAPE）这样的百分比预测准确性度量依赖于y_t的除法，这会使y_t接近或等于0时MAPE的分布发生偏斜。对于那些没有有意义的0值的尺度或y_t=0经常发生的间歇性需求数据集来说，这一点尤其成问题。

作为替代方案，我建议使用MASE。MASE应该能够很好地处理您的问题。