Jakie metryki są używane dla modeli szeregów czasowych?

Aby ocenić jakość modeli pracujących z szeregami czasowymi, używa się specjalnych miar, które uwzględniają cechy danych sekwencyjnych. Do najważniejszych należą:

• MAE (Średni Błąd Abolutny) — pokazuje średnie odchylenie prognozy od wartości rzeczywistych.
• MSE (Średni Błąd Kwadratowy) — karze większe błędy bardziej surowo.
• RMSE (Pierwiastek z MSE) — zwraca błąd w tych samych jednostkach co dane.
• MAPE (Średni Błąd Procentowy Absolutny) — przydatny do oceny względnej dokładności.
• SMAPE (Symetryczny Średni Błąd Procentowy Absolutny) — wersja symetryczna MAPE, uwzględnia błędy zarówno w stronę większą, jak i mniejszą.
• R² (Współczynnik determinacji) — pokazuje, jak dobrze model wyjaśnia zmienność danych.

Wybór metryki zależy od zadania i cech danych. Na przykład, MAPE źle działa przy wartościach bliskich zeru, a RMSE jest wrażliwy na wartości odstające.

Przykład obliczenia MAE w Pythonie:

import numpy as np

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

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