Welke metrics worden gebruikt voor tijdreeksmodellen?

Om de kwaliteit van modellen die met tijdreeksen werken te beoordelen, worden speciale metriek gebruikt die rekening houden met de kenmerken van sequentiële gegevens. De belangrijkste zijn:

• MAE (Gemiddelde Absolute Fout) — toont de gemiddelde afwijking van de voorspelling ten opzichte van de werkelijke waarden.
• MSE (Gemiddelde Kwadratische Fout) — straft grote fouten zwaarder.
• RMSE (Root Mean Squared Error) — geeft de fout terug in dezelfde eenheden als de gegevens.
• MAPE (Gemiddelde Absolute Percentage Fout) — handig voor het beoordelen van de relatieve nauwkeurigheid.
• SMAPE (Symmetrische Gemiddelde Absolute Percentage Fout) — een symmetrische versie van MAPE, houdt rekening met fouten in beide richtingen.
• R² (Coefficient of Determination) — toont hoe goed het model de variaties in de gegevens verklaart.

De keuze van de metriek hangt af van de taak en de kenmerken van de gegevens. Bijvoorbeeld, MAPE werkt slecht bij waarden dicht bij nul, en RMSE is gevoelig voor uitschieters.

Voorbeeld van het berekenen van MAE in Python:

import numpy as np

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

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