Ի՞նչ չափանիշներ են օգտագործվում ժամանակային շարքերի մոդելների համար։

Ժամանակային շարքերով աշխատող մոդելների որակն գնահատելու համար օգտագործվում են հատուկ մետրիկներ, որոնք հաշվի են առնում հաջորդական տվյալների առանձնահատկությունները: Դրանցից հիմնականներն են՝

• MAE (Միջին Ամբողջական Հատուկ) — ցույց է տալիս կանխատեսման և իրական արժեքների միջին տարբերությունը:
• MSE (Միջին Քառակուսային Հատուկ) — ավելի խիստ պատժում է մեծ սխալները:
• RMSE (Կրկնապատկված Միջին Քառակուսային Հատուկ) — վերադարձնում է սխալը տվյալների նույն միավորներում:
• MAPE (Միջին Ամբողջական Հատուկ Հատուկ) — օգտակար է հարաբերական ճշգրտությունը գնահատելու համար:
• SMAPE (Սիմետրիկ Միջին Ամբողջական Հատուկ) — MAPE-ի սիմետրիկ տարբերակն է, հաշվի է առնում ինչպես մեծ, այնպես էլ փոքր սխալները:
• R² (Նշանակման գործակից) — ցույց է տալիս, թե որքան լավ է մոդելը բացատրում տվյալների փոփոխությունները:

Մետրիկայի ընտրությունը կախված է խնդրից և տվյալների առանձնահատկություններից: Օրինակ, MAPE-ն վատ է աշխատում զրոյի մոտ արժեքների դեպքում, իսկ RMSE-ն զգայուն է արտասովոր արժեքների նկատմամբ:

Python-ում MAE հաշվարկելու օրինակ:

import numpy as np

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

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