რა მეტრიკები გამოიყენება დროის სერიების მოდელებისთვის?

დროის სერიის მოდელების ხარისხის შეფასებისთვის გამოიყენება სპეციალური მეტრიკები, რომლებიც განიხილავენ მონაცემთა სექვენციურ თვისებებს. მათ შორის ძირითადი:

• MAE (საშუალო აბსოლუტური შეცდომა) — აჩვენებს პროგნოზის და რეალური მნიშვნელობების საშუალო გადახრას.
• MSE (საშუალო კვადრატული შეცდომა) — უფრო მკაცრად ჯარიმს დიდ შეცდომებს.
• RMSE (კვადრატული საშუალო შეცდომის ნამდვილი ფესვი) — აბრუნებს შეცდომას იმავე ერთეულებში, როგორც მონაცემები.
• MAPE (საშუალო აბსოლუტური პროცენტული შეცდომა) — სასარგებლოა სუბიექტური სიზუსტის შეფასებისთვის.
• SMAPE (სინმეტრიული საშუალო აბსოლუტური პროცენტული შეცდომა) — MAPE-ის სინმეტრიული ვერსია, რომელიც ითვალისწინებს როგორც ზრდას, ასევე კლებას.
• R² (განმარტების კოეფიციენტი) — აჩვენებს, რამდენად კარგად ახსნის მოდელი მონაცემების ცვლილებებს.

მეტრიკის არჩევა დამოკიდებულია ამოცანაზე და მონაცემების თვისებებზე. მაგალითად, MAPE ცუდად მუშაობს ნულთან ახლოს მყოფ მნიშვნელობებთან, ხოლო RMSE მგრძნობიარეა გამონაკლისი მნიშვნელობების მიმართ.

Python-ში MAE-ის გამოთვლის მაგალითი:

import numpy as np

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

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