{"id":8303,"date":"2026-09-17T05:26:31","date_gmt":"2026-09-17T05:26:31","guid":{"rendered":"http:\/\/french.arabpsychology.com\/statistics\/comment-calculer-smape-python\/"},"modified":"2026-09-17T05:26:31","modified_gmt":"2026-09-17T05:26:31","slug":"comment-calculer-smape-python","status":"publish","type":"psych_stat","link":"https:\/\/french.arabpsychology.com\/?psych_stat=comment-calculer-smape-python","title":{"rendered":"Comment calculer le SMAPE en Python"},"content":{"rendered":"

Dans le domaine de l’\u00e9conom\u00e9trie appliqu\u00e9e, de la science des donn\u00e9es et de l’analyse pr\u00e9dictive des s\u00e9ries temporelles, l’\u00e9valuation de la performance des mod\u00e8les constitue une \u00e9tape m\u00e9thodologique d\u00e9terminante. La s\u00e9lection d’un crit\u00e8re d’\u00e9valuation pertinent ne se r\u00e9sume pas \u00e0 un simple choix d’ing\u00e9nierie logicielle ; elle refl\u00e8te la fonction de co\u00fbt implicite que le mod\u00e9lisateur attribue aux \u00e9carts entre ses projections th\u00e9oriques et la r\u00e9alit\u00e9 empirique observ\u00e9e. Parmi la vaste nomenclature des m\u00e9triques de pr\u00e9cision relative, l’erreur absolue sym\u00e9trique en pourcentage \u2014 commun\u00e9ment d\u00e9sign\u00e9e par son acronyme anglophone SMAPE<\/a> (Symmetric Mean Absolute Percentage Error<\/em>) \u2014 occupe une position charni\u00e8re, oscillant entre tradition statistique issue des comp\u00e9titions de pr\u00e9vision et innovations computationnelles en apprentissage automatique.<\/p>\n

Le recours aux m\u00e9triques relatives s’av\u00e8re indispensable lorsque les analystes sont confront\u00e9s \u00e0 des s\u00e9ries h\u00e9t\u00e9rog\u00e8nes dont les \u00e9chelles de grandeur divergent de plusieurs ordres de magnitude. Alors que des m\u00e9triques absolues comme l’erreur quadratique moyenne (RMSE) ou l’erreur absolue moyenne (MAE) demeurent d\u00e9pendantes de l’unit\u00e9 de mesure sous-jacente, interdisant de facto toute comparaison transversale rigoureuse, les formulations fond\u00e9es sur des pourcentages permettent d’agr\u00e9ger des indices de performance \u00e0 travers des portefeuilles entiers de s\u00e9ries h\u00e9t\u00e9roclites. N\u00e9anmoins, l’indicateur historique de r\u00e9f\u00e9rence, le MAPE (Mean Absolute Percentage Error<\/em>), souffre de tares math\u00e9matiques r\u00e9dhibitoires, notamment une asym\u00e9trie de p\u00e9nalisation structurelle et une divergence asymptotique lorsque les observations r\u00e9elles s’approchent du z\u00e9ro absolu.<\/p>\n

C’est pr\u00e9cis\u00e9ment pour rem\u00e9dier aux apories du MAPE que le SMAPE a \u00e9t\u00e9 formalis\u00e9, puis perfectionn\u00e9 au fil des travaux pionniers de J. Scott Armstrong et de Spyros Makridakis. L’impl\u00e9mentation de cette m\u00e9trique au sein de l’\u00e9cosyst\u00e8me scientifique contemporain du langage Python exige toutefois une compr\u00e9hension aigu\u00eb de ses propri\u00e9t\u00e9s alg\u00e9briques, de ses singularit\u00e9s num\u00e9riques et des subtilit\u00e9s associ\u00e9es au calcul vectoriel haute performance. Cet article propose une exploration exhaustive, rigoureuse et formalis\u00e9e du calcul du SMAPE en Python, combinant analyse \u00e9pist\u00e9mologique, d\u00e9monstrations math\u00e9matiques, architectures de code optimis\u00e9es et int\u00e9grations avanc\u00e9es au sein de pipelines de validation crois\u00e9e industriels.<\/p>\n

1. Introduction th\u00e9orique \u00e0 l’erreur absolue m\u00e9diane sym\u00e9trique en pourcentage (SMAPE)<\/h2>\n

1.1 D\u00e9finition \u00e9pist\u00e9mologique de la m\u00e9trique SMAPE<\/h3>\n

L’\u00e9mergence du SMAPE s’inscrit dans un mouvement de r\u00e9vision critique des outils traditionnels de la statistique pr\u00e9dictive durant le dernier quart du vingti\u00e8me si\u00e8cle. Historiquement, le MAPE s’\u00e9tait impos\u00e9 en raison de son interpr\u00e9tabilit\u00e9 intuitive pour les d\u00e9cideurs : exprimer l’\u00e9cart moyen sous la forme d’un pourcentage du ph\u00e9nom\u00e8ne r\u00e9el permettait de vulgariser imm\u00e9diatement la pr\u00e9cision d’un algorithme sans n\u00e9cessiter la ma\u00eetrise des concepts d’\u00e9cart-type ou de r\u00e9sidus quadratiques. Toutefois, cette accessibilit\u00e9 masquait un d\u00e9s\u00e9quilibre fondamental : le MAPE divise l’\u00e9cart absolu exclusivement par la valeur r\u00e9elle observ\u00e9e, induisant une asym\u00e9trie s\u00e9v\u00e8re lorsque les valeurs r\u00e9elles sont faibles ou nulles.<\/p>\n

Face \u00e0 cette limitation conceptuelle majeure, la notion de sym\u00e9trie dans l’\u00e9valuation des erreurs pr\u00e9dictives a \u00e9t\u00e9 introduite afin d’\u00e9galiser le traitement accord\u00e9 aux pr\u00e9visions par exc\u00e8s (surestimations) et aux pr\u00e9visions par d\u00e9faut (sous-estimations). Dans un paradigme sym\u00e9trique, l’erreur relative ne doit pas privil\u00e9gier la trajectoire historique au d\u00e9triment de la dynamique projet\u00e9e ; elle doit appr\u00e9hender la divergence mutuelle entre les deux trajectoires comme un ph\u00e9nom\u00e8ne bilat\u00e9ral. L’inclusion conjointe de la pr\u00e9diction et de l’observation au d\u00e9nominateur r\u00e9tablit une \u00e9galit\u00e9 formelle de traitement math\u00e9matique entre l’espace des valeurs empiriques et l’espace des valeurs simul\u00e9es.<\/p>\n

Cette approche rev\u00eat une pertinence singuli\u00e8re non seulement dans l’analyse quantitative de s\u00e9ries temporelles industrielles ou financi\u00e8res, mais \u00e9galement dans les d\u00e9marches psychom\u00e9triques et comportementales. D\u00e8s lors que l’on cherche \u00e0 \u00e9valuer des construits latents ou des r\u00e9ponses cognitives dont l’amplitude z\u00e9ro ne poss\u00e8de pas de signification ontologique absolue mais rel\u00e8ve d’une convention m\u00e9trique arbitraire, le SMAPE offre un cadre d’estimation temp\u00e9r\u00e9. L’erreur calcul\u00e9e est intrins\u00e8quement born\u00e9e, \u00e9voluant g\u00e9n\u00e9ralement dans un intervalle ferm\u00e9 compris entre 0 % et 100 %, ou entre 0 % et 200 % selon la convention de normalisation adopt\u00e9e, ce qui conf\u00e8re \u00e0 cette m\u00e9trique une stabilit\u00e9 d’interpr\u00e9tation remarquable face aux chocs exog\u00e8nes extr\u00eames.<\/p>\n

1.2 Importance de l’\u00e9valuation relative dans la mod\u00e9lisation pr\u00e9dictive<\/h3>\n

Dans les applications contemporaines d’apprentissage supervis\u00e9, les jeux de donn\u00e9es englobent fr\u00e9quemment des milliers de s\u00e9ries h\u00e9t\u00e9rog\u00e8nes r\u00e9parties sur des \u00e9chelles num\u00e9riques radicalement diff\u00e9rentes. \u00c0 titre d’exemple, dans le domaine du commerce \u00e9lectronique ou de la gestion de la cha\u00eene d’approvisionnement, un m\u00eame algorithme de pr\u00e9vision de la demande peut \u00eatre d\u00e9ploy\u00e9 simultan\u00e9ment sur des articles \u00e0 fort d\u00e9bit, repr\u00e9sentant des volumes quotidiens de plusieurs dizaines de milliers d’unit\u00e9s, et sur des r\u00e9f\u00e9rences de niche dont la demande n’exc\u00e8de pas quelques unit\u00e9s sporadiques par mois. L’utilisation d’une m\u00e9trique d\u00e9pendante de l’\u00e9chelle, telle que la RMSE<\/a> (Root Mean Squared Error<\/em>), conduirait le m\u00e9canisme d’apprentissage \u00e0 minimiser quasi-exclusivement les r\u00e9sidus associ\u00e9s aux produits \u00e0 fort volume, rel\u00e9guant la pr\u00e9cision sur les produits \u00e0 faible volume au rang de bruit statistique n\u00e9gligeable.<\/p>\n

Les m\u00e9triques invariantes \u00e0 l’\u00e9chelle r\u00e9solvent cette distorsion en normalisant chaque r\u00e9sidu par une mesure de magnitude locale. Cette invariance garantit que chaque point temporel ou chaque s\u00e9rie individuelle contribue de mani\u00e8re \u00e9quilibr\u00e9e au score d’\u00e9valuation global du mod\u00e8le, ind\u00e9pendamment de la dimension m\u00e9trique du signal sous-jacent. Ainsi, une erreur de dix unit\u00e9s sur une observation de cent pr\u00e9sente une gravit\u00e9 relative identique \u00e0 une erreur d’un million sur une observation de dix millions. Ce principe d’homog\u00e9n\u00e9isation statistique est au c\u0153ur des cadres modernes de validation crois\u00e9e appliqu\u00e9s aux grands ensembles de donn\u00e9es distribu\u00e9s.<\/p>\n

En outre, l’invariance d’\u00e9chelle conf\u00e9r\u00e9e par le SMAPE facilite grandement la comparabilit\u00e9 externe des mod\u00e8les pr\u00e9dictifs. Elle permet aux chercheurs de confronter objectivement des architectures algorithmiques entra\u00een\u00e9es sur des contextes g\u00e9ographiques, \u00e9conomiques ou temporels distincts sans recourir \u00e0 des transformations pr\u00e9alables complexes de type standardisation z-score ou normalisation min-max, pr\u00e9servant ainsi l’int\u00e9grit\u00e9 s\u00e9miologique des donn\u00e9es brutes tout en assurant une comparabilit\u00e9 m\u00e9trique rigoureuse.<\/p>\n

1.3 Diff\u00e9renciation contextuelle entre erreurs absolues et sym\u00e9triques<\/h3>\n

Pour appr\u00e9hender la n\u00e9cessit\u00e9 math\u00e9matique du SMAPE, il convient d’analyser en profondeur l’asym\u00e9trie fondamentale de la p\u00e9nalisation inh\u00e9rente au MAPE standard. Consid\u00e9rons la formule \u00e9l\u00e9mentaire du MAPE :<\/p>\n

Pour une valeur r\u00e9elle y<\/em> et une valeur pr\u00e9dite f<\/em>, le terme d’erreur individuelle s’exprime comme |y<\/em> – f<\/em>| \/ |y<\/em>|. Supposons une observation r\u00e9elle y<\/em> = 100. Si le mod\u00e8le pr\u00e9dit f<\/em> = 150, l’erreur absolue est de 50, et le MAPE qui en r\u00e9sulte s’\u00e9tablit \u00e0 |100 – 150| \/ 100 = 50 %. \u00c0 l’inverse, si le mod\u00e8le commet une sous-estimation sym\u00e9trique en amplitude spatiale en pr\u00e9disant f<\/em> = 50, l’erreur absolue demeure \u00e9gale \u00e0 50, et le MAPE s’\u00e9tablit \u00e9galement \u00e0 |100 – 50| \/ 100 = 50 %. Jusqu’ici, l’illusion de la sym\u00e9trie perdure.<\/p>\n

Consid\u00e9rons \u00e0 pr\u00e9sent la situation o\u00f9 les amplitudes pr\u00e9dictives divergent de fa\u00e7on disproportionn\u00e9e : si la r\u00e9alit\u00e9 est y<\/em> = 10 et que la pr\u00e9diction est f<\/em> = 100 (surestimation d’un facteur 10), le MAPE explose \u00e0 |10 – 100| \/ 10 = 900 %. En revanche, si la r\u00e9alit\u00e9 est y<\/em> = 100 et la pr\u00e9diction f<\/em> = 10 (sous-estimation sym\u00e9trique par inversion des grandeurs), le MAPE ne s’\u00e9l\u00e8ve qu’\u00e0 |100 – 10| \/ 100 = 90 %. Le MAPE plafonne structurellement la p\u00e9nalisation maximale pour une sous-estimation \u00e0 100 % (lorsque la pr\u00e9diction est nulle), alors que la p\u00e9nalit\u00e9 pour une surestimation n’admet aucune borne sup\u00e9rieure, tendant vers l’infini \u00e0 mesure que la pr\u00e9diction s’accro\u00eet. Par cons\u00e9quent, lors de l’entra\u00eenement ou du calibrage d’un estimateur guid\u00e9 par le MAPE, l’algorithme adoptera syst\u00e9matiquement une strat\u00e9gie conservatrice de sous-estimation syst\u00e9matique pour se pr\u00e9munir contre les p\u00e9nalisations astronomiques induites par les surestimations accidentelles.<\/p>\n

Le SMAPE rectifie cette d\u00e9rive structurelle par l’incorporation de la pr\u00e9diction au sein du d\u00e9nominateur d’\u00e9chelle. En posant un diviseur fonctionnel proportionnel \u00e0 la somme (|y<\/em>| + |f<\/em>|), l’impact d’une surestimation se trouve naturellement r\u00e9gul\u00e9 : une hausse unilat\u00e9rale de f<\/em> accro\u00eet simultan\u00e9ment le num\u00e9rateur et le d\u00e9nominateur, emp\u00eachant la m\u00e9trique d’exploser vers l’infini. Cette correction r\u00e9tablit un \u00e9quilibre g\u00e9om\u00e9trique primordial, modifiant substantiellement les paysages d’optimisation et emp\u00eachant les mod\u00e8les de r\u00e9gression de converger vers des attracteurs d\u00e9g\u00e9n\u00e9r\u00e9s biais\u00e9s vers le bas.<\/p>\n

2. Fondements math\u00e9matiques et formalisation de la formule du SMAPE<\/h2>\n

2.1 D\u00e9composition alg\u00e9brique de l’\u00e9quation standard<\/h3>\n

La formulation analytique la plus r\u00e9pandue et contemporaine du SMAPE, valid\u00e9e notamment lors des comp\u00e9titions d’estimation M-Competitions<\/a> men\u00e9es par Spyros Makridakis, s’\u00e9nonce formellement pour un vecteur d’observations empiriques Y<\/em> = (y<\/em>1<\/sub>, y<\/em>2<\/sub>, …, y<\/em>n<\/em><\/sub>) et un vecteur de pr\u00e9visions correspondantes F<\/em> = (f<\/em>1<\/sub>, f<\/em>2<\/sub>, …, f<\/em>n<\/em><\/sub>) de dimension cardinale n<\/em> selon l’\u00e9quation :<\/p>\n

SMAPE = (100% \/ n) * ∑i=1..n<\/sub> [ 2 * |yi<\/sub> – fi<\/sub>| \/ (|yi<\/sub>| + |fi<\/sub>|) ]<\/strong><\/p>\n

Une analyse d\u00e9constructive de cette expression math\u00e9matique r\u00e9v\u00e8le trois composantes articul\u00e9es avec une pr\u00e9cision chirurgicale :<\/p>\n