Update app.py

changed mape for smape to obtain more accurate results

app.py

@@ -727,21 +727,17 @@ elif page == "🕵️ Análisis de Cliente":
                         actual = datos_2024['ventas_reales']
                         predicted = datos_2024['ventas_predichas']
 
-                        def calculate_mape(y_true, y_pred, epsilon=1e-10):
-                            # Add a small epsilon to the actual values to avoid division by zero
-                            return np.mean(np.abs((y_true - y_pred) / (y_true + epsilon))) * 100
 
                         mae = mean_absolute_error(actual, predicted)
                         mse = mean_squared_error(actual, predicted)
                         rmse = np.sqrt(mse)
-                        mape = calculate_mape(actual, predicted)
                         smape = np.mean(2 * np.abs(actual - predicted) / (np.abs(actual) + np.abs(predicted))) * 100
 
                         # Display metrics
                         st.subheader("Métricas de Predicción (2024)")
                         col1, col2, col3 = st.columns(3)
                         col1.metric("MAE", f"{mae:.2f} €",help="Promedio de la diferencia absoluta entre las predicciones y los valores reales.")
-                        col2.metric("MAPE", f"{mape:.2f}%",help="Porcentaje promedio de error en las predicciones.")
+                        col2.metric("SMAPE", f"{smape:.2f}%",help="Porcentaje simétrico promedio de error en las predicciones.")
                         col3.metric("RMSE", f"{rmse:.2f} €",help="Medida de la desviación estándar de los residuos de predicción.")
 
             else:
@@ -821,9 +817,6 @@ elif page == "🕵️ Análisis de Cliente":
                                                 xaxis_title="Fecha", yaxis_title="Ventas (€)", height=600)
                                 st.plotly_chart(fig)
 
-                                def calculate_mape(y_true, y_pred, epsilon=1e-10):
-                                    # Add a small epsilon to the actual values to avoid division by zero
-                                    return np.mean(np.abs((y_true - y_pred) / (y_true + epsilon))) * 100
 
                                 # Cálculo de métricas
                                 datos_2024 = datos_cliente_total[datos_cliente_total['fecha_mes'].dt.year == 2024]
@@ -832,13 +825,14 @@ elif page == "🕵️ Análisis de Cliente":
                                 mae = mean_absolute_error(actual, predicted)
                                 mse = mean_squared_error(actual, predicted)
                                 rmse = np.sqrt(mse)
-                                mape = calculate_mape(actual, predicted)
+                                smape = np.mean(2 * np.abs(actual - predicted) / (np.abs(actual) + np.abs(predicted))) * 100
+
                                 
                                 # Mostrar métricas
                                 st.subheader("Métricas de Predicción (2024)")
                                 col1, col2, col3 = st.columns(3)
                                 col1.metric("MAE", f"{mae:.2f} €")
-                                col2.metric("MAPE", f"{mape:.2f}%")
+                                col2.metric("SMAPE", f"{smape:.2f}%")
                                 col3.metric("RMSE", f"{rmse:.2f} €")
                             else:
                                 st.warning(f"No se encontraron datos para el cliente {customer_code} y el fabricante {fabricante_seleccionado}.")