Quais as métricas usadas para modelos de séries temporais?

Para avaliar a qualidade dos modelos que trabalham com séries temporais, utilizam-se métricas especiais que considerem as características dos dados sequenciais. As principais são:

• MAE (Erro Absoluto Médio) — erro absoluto médio, mostra a variação média da previsão em relação aos valores reais.
• MSE (Erro Quadrático Médio) — erro quadrático médio, penaliza mais os erros grandes.
• RMSE (Raiz do Erro Quadrático Médio) — raiz do MSE, devolve o erro nas mesmas unidades que os dados.
• MAPE (Erro Percentual Absoluto Médio) — erro percentual absoluto médio, útil para avaliar a precisão relativa.
• SMAPE (Erro Percentual Absoluto Médio Simétrico) — versão simétrica do MAPE, considera erros tanto para valores maiores quanto menores.
• R² (Coeficiente de Determinação) — mostra o quão bem o modelo explica as variações dos dados.

A escolha da métrica depende da tarefa e das características dos dados. Por exemplo, MAPE funciona mal com valores próximos de zero, e RMSE é sensível a valores extremos.

Exemplo de cálculo do MAE em Python:

import numpy as np

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

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