Ποια μετρική χρησιμοποιούνται για μοντέλα χρονικών σειρών;

Για την αξιολόγηση της ποιότητας των μοντέλων που εργάζονται με σειρές χρόνου, χρησιμοποιούνται ειδικές μετρικές που λαμβάνουν υπόψη τα χαρακτηριστικά των διαδοχικών δεδομένων. Οι κύριες είναι:

• MAE (Μέσο Απόλυτο Σφάλμα) — δείχνει τη μέση απόκλιση της πρόβλεψης από τις πραγματικές τιμές.
• MSE (Μέσο Τετραγωνικό Σφάλμα) — τιμωρεί περισσότερο τα μεγάλα σφάλματα.
• RMSE (Τετραγωνική Ρίζα του Μέσου Τετραγωνικού Σφάλματος) — επιστρέφει το σφάλμα στις ίδιες μονάδες με τα δεδομένα.
• MAPE (Μέσο Απόλυτο Ποσοστιαίο Σφάλμα) — χρήσιμο για την αξιολόγηση της σχετικής ακρίβειας.
• SMAPE (Συμμετρικό Μέσο Απόλυτο Ποσοστιαίο Σφάλμα) — μια συμμετρική έκδοση του MAPE, λαμβάνει υπόψη τόσο τα σφάλματα αυξανόμενα όσο και μειούμενα.
• R² (Συντελεστής Προσδιορισμού) — δείχνει πόσο καλά εξηγεί το μοντέλο τις διακυμάνσεις των δεδομένων.

Η επιλογή της μετρικής εξαρτάται από το έργο και τα χαρακτηριστικά των δεδομένων. Για παράδειγμα, το MAPE λειτουργεί άσχημα με τιμές κοντά στο μηδέν, και το RMSE είναι ευαίσθητο σε ακραίες τιμές.

Παράδειγμα υπολογισμού MAE σε Python:

import numpy as np

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

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