Valutazione dei modelli di serie temporali
I modelli temporali prevedono i risultati come numeri corrispondenti a date future specifiche. Vengono generate diverse metriche per valutare i modelli di serie temporali.
MASE
MASE sta per errore scalare medio assoluto. MASE è una delle metriche chiave utilizzate per valutare e raccomandare i modelli di serie temporali in Qlik Predict.
In Qlik Predict, il MASE è determinato confrontando l'errore assoluto medio (MAE) di una previsione con il MAE di una previsione ingenua. La previsione naive utilizza l'ultimo valore disponibile come il valore previsto per tutti i passaggi successivi.
MAE
MAE sta per errore assoluto medio. Insieme a MASE, MAE è una delle metriche chiave utilizzate per valutare e raccomandare modelli di serie temporali in Qlik Predict. MAE misura la qualità del modello calcolando il tasso di errore all'interno delle previsioni create dal modello.
RMSE
L'errore quadratico medio (RMSE) può essere interpretato come la differenza media +/- attesa tra un valore previsto e il valore effettivo. È la deviazione standard dei residui (la differenza tra il valore osservato e il valore previsto per una funzione). L'RMSE viene misurato nella stessa unità del valore target.
Ad esempio, supponiamo che il nostro target sia la previsione del valore del contratto e che l'RMSE sia pari a 1250. Ciò significa che, in media, il valore previsto differisce di +/- 1.250 dollari dal valore effettivo.
Velocità di previsione
La velocità di previsione è una metrica del modello che si applica a tutti i tipi di modello: classificazione binaria, classificazione multiclasse, regressione e serie temporali. La velocità di previsione misura la velocità con cui un modello di apprendimento automatico è in grado di generare previsioni.
In Qlik Predict, la velocità di previsione viene calcolata utilizzando il tempo di calcolo combinato delle funzioni e il tempo di previsione del set di dati di prova. Questa viene visualizzata in righe al secondo.
La velocità di previsione può essere analizzata nella tabella Metriche del modello dopo aver eseguito la versione dell'esperimento. È possibile anche visualizzare i dati sulla velocità di previsione quando si analizzano i modelli con le analisi incorporate. Per ulteriori informazioni, vedere:
Considerazioni
La velocità di previsione misurata si basa sulle dimensioni del training set, piuttosto che sui dati su cui vengono effettuate le previsioni. Dopo aver distribuito un modello, è possibile notare differenze tra la velocità di creazione delle previsioni se i dati di addestramento e di previsione differiscono notevolmente in termini di dimensioni, o quando si creano previsioni in tempo reale su una o poche righe di dati.