Jaké metriky se používají pro modely časových řad?

Pro hodnocení kvality modelů pracujících s časovými řadami se používají speciální metriky, které zohledňují vlastnosti sekvenčních dat. Mezi hlavní patří:

• MAE (Průměrná absolutní chyba) — ukazuje průměrné odchylky předpovědi od skutečných hodnot.
• MSE (Průměrná čtvercová chyba) — více trestá větší chyby.
• RMSE (Kořen z průměrné čtvercové chyby) — vrací chybu ve stejných jednotkách jako data.
• MAPE (Průměrná absolutní procentuální chyba) — vhodná pro hodnocení relativní přesnosti.
• SMAPE (Symetrická průměrná absolutní procentuální chyba) — verze MAPE, která zohledňuje chyby jak směrem nahoru, tak dolů.
• R² (Koeficient determinace) — ukazuje, jak moc model vysvětluje variace dat.

Výběr metriky závisí na úloze a vlastnostech dat. Například MAPE špatně funguje při hodnotách blízkých nule, RMSE je citlivé na odlehlé hodnoty.

Příklad výpočtu MAE v Pythonu:

import numpy as np

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

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