Ce metrici sunt utilizate pentru modelele de serii temporale?

Pentru evaluarea calității modelelor care lucrează cu serii temporale, se folosesc metrici speciale care țin cont de caracteristicile datelor secvențiale. Cele principale sunt:

• MAE (Eroarea Absolută Medie) — indică abaterea medie a predicției față de valorile reale.
• MSE (Eroarea Medie Pătratică) — penalizează mai sever erorile mari.
• RMSE (Rădăcina Eroarei Medii Pătratice) — returnează eroarea în aceleași unități ca și datele.
• MAPE (Eroarea Medie Absolută Procentuală) — utilă pentru evaluarea acurateței relative.
• SMAPE (Eroarea Medie Absolută Procentuală Sinimetrică) — versiune simetrică a MAPE, ia în considerare atât erorile în creștere, cât și cele în scădere.
• R² (Coeficientul de Determinare) — arată cât de bine explică modelul variațiile datelor.

Alegerea metricii depinde de sarcină și de caracteristicile datelor. De exemplu, MAPE funcționează prost cu valori apropiate de zero, iar RMSE este sensibil la valori aberante.

Exemplu de calcul MAE în Python:

import numpy as np

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

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