Milyen metrikákat használnak az időbeli sorozatok modelleihez?

A sorozatokat kezelő modellek minőségének értékeléséhez speciális metrikákat használnak, amelyek figyelembe veszik az egymást követő adatok jellemzőit. Ezek közül a legfontosabbak:

• MAE (Átlagos abszolút hiba) — megmutatja az előrejelzés és a valós értékek közötti átlagos eltérést.
• MSE (Átlagos négyzetes hiba) — nagyobb hibákat súlyosabban büntet.
• RMSE (Gyök négyzetes átlagos hiba) — az MSE gyököseként ugyanazokat az egységeket adja vissza, mint az adatok.
• MAPE (Átlagos abszolút százalékos hiba) — hasznos az arányos pontosság értékeléséhez.
• SMAPE (Szimmetrikus átlagos abszolút százalékos hiba) — a MAPE szimmetrikus változata, figyelembe veszi a nagy és kicsi hibákat is.
• R² (Determination coefficient) — megmutatja, mennyire magyarázza a modell az adatok változásait.

A metrika kiválasztása a feladattól és az adatok jellemzőitől függ. Például a MAPE rosszul működik nullához közeli értékek esetén, az RMSE pedig érzékeny a kiugró értékekre.

Python példakód MAE számítására:

import numpy as np

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

# Példa
actual = np.array([100, 200, 300])
predicted = np.array([110, 190, 310])
print(mae(actual, predicted))  # 10.0-t fog kiírni