Kādas metriku tiek izmantotas laika rindu modeļiem?

Lai novērtētu laika rindu modeļu kvalitāti, tiek izmantotas īpašas metriku, kas ņem vērā secīgu datu īpašības. Galvenās no tām ir:

• MAE (Vidējā absolūtā kļūda) — rāda prognozes un faktiskās vērtības vidējo novirzi.
• MSE (Vidējā kvadrātiskā kļūda) — stingrāk sodīs lielas kļūdas.
• RMSE (Kvadrāts saknes no vidējās kvadrātiskās kļūdas) — atgriež kļūdu tajās pašās vienībās kā dati.
• MAPE (Vidējā absolūtā procentuālā kļūda) — noderīga relatīvās precizitātes novērtēšanai.
• SMAPE (Simetriskā vidējā absolūtā procentuālā kļūda) — MAPE versija, kas ņem vērā gan pieauguma, gan samazinājuma kļūdas.
• R² (Determinācijas koeficients) — rāda, cik labi modelis izskaidro datu variācijas.

Metrikas izvēle ir atkarīga no uzdevuma un datu īpašībām. Piemēram, MAPE slikti darbojas ar vērtībām, kas ir tuvu nullei, bet RMSE ir jutīgs pret izņēmuma vērtībām.

Python piemērs MAE aprēķinā:

import numpy as np

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

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