Puntuación de modelos de series temporales
Los modelos temporales predicen resultados como números que corresponden a fechas futuras específicas. Se generan varias métricas para evaluar los modelos de series temporales.
MASE
MASE significa error absoluto medio escalado. MASE es una de las métricas clave utilizadas para puntuar y recomendar modelos de series temporales en Qlik Predict.
En Qlik Predict, el MASE se determina comparando el error absoluto medio (MAE) de una previsión con el MAE de una previsión ingenua. El pronóstico ingenuo utiliza el último valor disponible como valor pronosticado para todos los pasos futuros.
MAE
MAE significa error absoluto medio. Junto con MASE, el MAE es una de las métricas clave utilizadas para puntuar y recomendar modelos de series temporales en Qlik Predict. El MAE mide la calidad del modelo calculando la tasa de error dentro de las previsiones creadas por el modelo.
RMSE
El error cuadrático medio (RMSE) se puede interpretar como la diferencia promedio +/- esperada entre un valor predicho y el valor real. Es la desviación estándar de los residuos (la diferencia entre el valor observado y el valor predicho para una característica). RMSE se mide en la misma unidad que el valor objetivo.
Como ejemplo, supongamos que nuestro objetivo es predecir el valor del contrato y obtenemos RMSE = 1250. Esto significa que, en promedio, el valor predicho difiere +/- 1,250 $ del valor real.
Velocidad de predicción
La velocidad de predicción es una métrica de modelos que se aplica a todos los tipos de modelos: clasificación binaria, clasificación multiclase, regresión y series temporales. La velocidad de predicción mide la rapidez con la que un modelo de aprendizaje automático es capaz de generar predicciones.
En Qlik Predict, la velocidad de predicción se calcula utilizando el tiempo combinado de cálculo de las características y el tiempo de predicción del conjunto de datos de prueba. Se muestra en filas por segundo.
La velocidad de predicción puede analizarse en la tabla Métricas del modelo tras ejecutar su versión del experimento. También puede ver los datos de velocidad de predicción cuando analice modelos con análisis integrados. Para más información, vea:
Consideraciones
La velocidad de predicción medida se basa en el tamaño del conjunto de datos de entrenamiento y no en los datos sobre los que se realizan las predicciones. Después de implementar un modelo, es posible que note diferencias entre la rapidez con la que se crean las predicciones si los datos de entrenamiento y de predicción difieren mucho en tamaño, o cuando se crean predicciones en tiempo real sobre una o varias filas de datos.