Кои метрики се използват за модели на времеви редове?

За оценка на качеството на модели, работещи с времеви редове, се използват специални метрики, които вземат предвид характеристиките на последователните данни. Основните са:

• MAE (Средна абсолютна грешка) — показва средното отклонение на прогнозата от реалните стойности.
• MSE (Средна квадратична грешка) — по-силно наказва големите грешки.
• RMSE (Квадратен корен от средната квадратична грешка) — връща грешката в същите единици като данните.
• MAPE (Средна абсолютна процентна грешка) — удобна за оценка на относителната точност.
• SMAPE (Симетрична средна абсолютна процентна грешка) — версия на MAPE, която взема предвид както грешките нагоре, така и надолу.
• R² (Коефициент на детерминация) — показва колко добре моделът обяснява вариациите в данните.

Изборът на метрика зависи от задачата и характеристиките на данните. Например, MAPE работи зле при стойности близки до нула, а RMSE е чувствителен към изключения.

Пример за изчисление на MAE в 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))  # Ще изведе 10.0