Aké metriky sa používajú pre modely časových radov?

Na hodnotenie kvality modelov pracujúcich s časovými radmi sa používajú špeciálne metriky, ktoré zohľadňujú vlastnosti sekvenčných dát. Medzi hlavné patria:

• MAE (Priemerná absolútna chyba) — ukazuje priemerné odchýlky predpovede od skutočných hodnôt.
• MSE (Priemerná štvorcová chyba) — viac trestá väčšie chyby.
• RMSE (Štvorcový koreň priemernej štvorcovej chyby) — vracia chybu v tých istých jednotkách ako dáta.
• MAPE (Priemerná absolútna percentuálna chyba) — vhodná na hodnotenie relatívnej presnosti.
• SMAPE (Symetrická priemerná absolútna percentuálna chyba) — verzia MAPE, ktorá zohľadňuje chyby smerom nahor aj nadol.
• R² (Koeficient determinácie) — ukazuje, ako dobre model vysvetľuje variácie v dátach.

Výber metriky závisí od úlohy a vlastností dát. Napríklad MAPE zle funguje pri hodnotách blízkych nule, RMSE je citlivé na odľahlé hodnoty.

Príklad výpočtu MAE v Pythone:

import numpy as np

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

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