Quelles métriques sont utilisées pour les modèles de séries temporelles?

Pour évaluer la qualité des modèles traitant des séries temporelles, on utilise des métriques spécifiques prenant en compte les caractéristiques des données séquentielles. Les principales sont :

• MAE (Erreur Absolue Moyenne) — erreur absolue moyenne, indique la déviation moyenne de la prédiction par rapport aux valeurs réelles.
• MSE (Erreur Quadratique Moyenne) — erreur quadratique moyenne, pénalise davantage les erreurs importantes.
• RMSE (Racine de l’Erreur Quadratique Moyenne) — racine de MSE, renvoie l’erreur dans les mêmes unités que les données.
• MAPE (Erreur Pourcentage Absolue Moyenne) — erreur en pourcentage absolu moyen, utile pour évaluer la précision relative.
• SMAPE (Erreur Moyenne Absolue Symétrique en Pourcentage) — version symétrique du MAPE, prend en compte les erreurs en augmentation et en diminution.
• R² (Coefficient de Détermination) — indique dans quelle mesure le modèle explique la variabilité des données.

Le choix de la métrique dépend de la tâche et des caractéristiques des données. Par exemple, MAPE fonctionne mal avec des valeurs proches de zéro, et RMSE est sensible aux valeurs aberrantes.

Exemple de calcul du MAE en Python :

import numpy as np

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

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