¿Qué métricas se utilizan para los modelos de series temporales?

Para evaluar la calidad de los modelos que trabajan con series temporales, se utilizan métricas especiales que consideran las características de los datos secuenciales. Las principales son:

• MAE (Error Absoluto Medio) — error absoluto medio, muestra la desviación promedio de la predicción respecto a los valores reales.
• MSE (Error Cuadrático Medio) — error cuadrático medio, penaliza más los errores grandes.
• RMSE (Raíz del Error Cuadrático Medio) — raíz del MSE, devuelve el error en las mismas unidades que los datos.
• MAPE (Error Porcentual Absoluto Medio) — error porcentual absoluto medio, útil para evaluar la precisión relativa.
• SMAPE (Error Porcentual Absoluto Medio Simétrico) — versión simétrica del MAPE, considera errores tanto en dirección mayor como menor.
• R² (Coeficiente de Determinación) — muestra qué tan bien la modelo explica las variaciones en los datos.

La elección de la métrica depende de la tarea y las características de los datos. Por ejemplo, MAPE funciona mal con valores cercanos a cero, y RMSE es sensible a valores atípicos.

Ejemplo de cálculo de MAE en Python:

import numpy as np

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

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