Какие метрики используются для моделей по временным рядам?

Для оценки качества моделей, работающих с временными рядами, используются специальные метрики, учитывающие особенности последовательных данных. Основные из них:

• MAE (Mean Absolute Error) — средняя абсолютная ошибка, показывает среднее отклонение прогноза от реальных значений.
• MSE (Mean Squared Error) — среднеквадратичная ошибка, штрафует большие ошибки сильнее.
• RMSE (Root Mean Squared Error) — корень из MSE, возвращает ошибку в тех же единицах, что и данные.
• MAPE (Mean Absolute Percentage Error) — средняя абсолютная процентная ошибка, удобна для оценки относительной точности.
• SMAPE (Symmetric Mean Absolute Percentage Error) — симметричная версия MAPE, учитывает как ошибки в большую, так и в меньшую сторону.
• R² (коэффициент детерминации) — показывает, насколько модель объясняет вариации данных.

Выбор метрики зависит от задачи и особенностей данных. Например, MAPE плохо работает при значениях, близких к нулю, а RMSE чувствителен к выбросам.

Пример вычисления MAE на Python:

import numpy as np

def mae(y_true, y_pred):
    return np.mean(np.abs(y_true - y_pred))

# Пример
actual = np.array([100, 200, 300])
predicted = np.array([110, 190, 310])
print(mae(actual, predicted))  # Выведет 10.0