🤍 前端开发工程师、技术日更博主、已过CET6
🍨 阿珊和她的猫_CSDN博客专家、23年度博客之星前端领域TOP1
🕠 牛客高级专题作者、打造专栏《前端面试必备》 、《2024面试高频手撕题》、《前端求职突破计划》
🍚 蓝桥云课签约作者、上架课程《Vue.js 和 Egg.js 开发企业级健康管理项目》、《带你从入门到实战全面掌握 uni-app》

这是 水果销量预测上线前必须走的标准验证流程，核心目标：
确保本地测试 WAPE = 真实上线效果，杜绝协变量泄露、虚高分数。

---

一、实战总流程（5步标准闭环）

1. 严格时间切分（防泄露第一关）
2. 训练集训练、测试集完全隔离
3. 测试集只做预测、不参与任何训练
4. 计算测试集 WAPE（真实业务指标）
5. 结果分析 + 异常 SKU 排查

---

二、实战步骤（带代码）

步骤1：按时间切分（绝对不能随机切分）

import pandas as pd
from autogluon.timeseries import TimeSeriesPredictor, TimeSeriesDataFrame

# 加载你清洗好的结构化数据
df = pd.read_csv("fruit_sales_clean.csv")
df["date"] = pd.to_datetime(df["date"])

# 构建 AutoGluon 时序数据格式
ts_df = TimeSeriesDataFrame.from_data_frame(
    df,
    id_column="sku",       # 商品ID
    timestamp_column="date",
    target="sales"         # 预测目标：销量
)

# ========== 核心：时间切分（预测未来7天）==========
pred_length = 7
train_df, test_df = ts_df.train_test_split(pred_length=pred_length)

规则：

• train_df = 历史数据
• test_df = 未来7天真实数据（完全隔离）

---

步骤2：训练模型（只喂训练集）

predictor = TimeSeriesPredictor(
    target="sales",
    prediction_length=pred_length,
    eval_metric="WAPE",  # 用 WAPE 训练
).fit(
    train_df,
    presets="medium_quality",
    time_limit=1200
)

---

步骤3：在测试集上预测（核心验证）

关键：只传入历史数据，预测未来7天

# 预测未来7天
forecast = predictor.predict(train_df)

输出 forecast 长这样：

               0.1    0.5    0.9
sku  date
1001 2025-01-01  12.0  15.0  18.0
     2025-01-02  10.0  13.0  16.0
...

• 0.5 = 预测均值（我们用来算 WAPE）

---

步骤4：计算测试集 WAPE（最核心实战代码）

标准 WAPE 公式：

WAPE = Σ|预测 - 真实| / Σ真实

# 取出预测中位数（预测值）
y_pred = forecast["0.5"]

# 取出测试集真实值
y_true = test_df["sales"]

# 计算 WAPE
wape = (abs(y_pred - y_true)).sum() / y_true.sum()
print(f"✅ 测试集 WAPE = {wape:.2%}")

输出示例：

✅ 测试集 WAPE = 12.35%

---

步骤5：自动输出详细评估报告（AutoGluon 自带）

score = predictor.evaluate(test_df)
print(score)

输出：

{'WAPE': 0.1235, 'MASE': 0.86, 'RMSE': 5.62}

---

三、业务级 WAPE 评估标准（水果行业）

你可以直接对照判断模型好坏：

WAPE	等级	能否上线
<10%	优秀	直接上线
10%~15%	良好	可上线
15%~22%	一般	需优化特征
>22%	差	不能上线

水果生鲜正常范围：10%～15%

---

四、3个必做验证（防泄露、防虚高）

1. 训练集 WAPE vs 测试集 WAPE

• 训练 WAPE：8%

• 测试 WAPE：12%
  → 正常，合理泛化

• 训练 WAPE：8%

• 测试 WAPE：25%
  → 严重过拟合 / 协变量泄露

2. 按 SKU 查看 WAPE（定位坏品）

# 按SKU计算每个商品的WAPE
eval_df = pd.DataFrame({
    "true": y_true,
    "pred": y_pred
})
eval_df["abs_err"] = abs(eval_df["pred"] - eval_df["true"])
sku_wape = eval_df.groupby("sku")["abs_err","true"].sum()
sku_wape["wape"] = sku_wape["abs_err"] / sku_wape["true"]
print(sku_wape.sort_values("wape", ascending=False).head(10))

找出预测最差的10个SKU，优化它们的特征！

3. 按日期查看误差（节假日是否翻车）

eval_df = eval_df.reset_index()
eval_df.groupby("date")["abs_err"].sum().plot()

---

五、最关键的3条军规（保命）

1. 测试集必须是训练集时间之后的数据，绝对不能交叉！
2. 测试集绝不参与训练、特征工程、归一化
3. WAPE 必须在测试集上计算，这是唯一真实指标

违反任何一条 → 本地效果造假，上线必崩！

---

六、一句话总结

训练集练本领
验证集调参数
测试集定生死
WAPE 是零售销量预测的唯一金标准