# 時系列モデルのスコアリング

時間モデルは、特定の将来の日付に対応する数値として結果を予測します。時系列モデルを評価するために、いくつかのメトリクスが生成されます。

## MASE

MASE は、平均絶対スケール誤差の略です。MASEは、Qlik Predict において時系列モデルのスコアリングと推奨に使用される主要なメトリクスの 1 つです。

Qlik Predict では、MASE は予測の平均絶対誤差 ([MAE](https://help.qlik.com/ja-JP/cloud-services/Subsystems/Hub/Content/Sense_Hub/AutoML/scoring-time-series.htm#MAE)) と単純な予測の MAE を比較することによって決定されます。単純な予測では、利用可能な直近の値を、将来のすべてのステップにおける予測値として使用します。

## MAE

MAE は、平均絶対誤差 (mean absolute error) の略です。[MASE](https://help.qlik.com/ja-JP/cloud-services/Subsystems/Hub/Content/Sense_Hub/AutoML/scoring-time-series.htm#MASE) と同様に、MAE は Qlik Predict において時系列モデルのスコアリングと推奨に使用される主要なメトリクスの 1 つです。MAE は、モデルによって作成された予測値内の誤差率を計算することで、モデルの品質を測定します。

## MAPE

MAPE は、平均絶対パーセント誤差 (mean absolute percentage error) の略です。

## WMAPE

WMAPE は、加重平均絶対パーセント誤差 (weighted mean absolute percentage error) の略です。

## RMSE

二乗平均平方根誤差 (RMSE) は、予測値と実際値との間で予想される平均的な +/- の差として解釈できます。これは、残差 (特徴量に対する観測値と予測値の差) の標準偏差です。RMSE は、ターゲット値と同じ単位で測定されます。

例えば、ターゲットは契約値を予測することであり、RMSE = 1250 であるとします。これは、平均して、予測値と実際値とは +/- $1,250 の差があることを意味します。

## MSE

MSE は平均二乗誤差 (mean squared error) の略です。

## SMAPE

SMAPE は、対称平均絶対パーセント誤差 (symmetric mean absolute percentage error) の略です。

## MDAPE

MDAPE は、中央絶対パーセンテージ誤差 (median absolute percentage error) の略です。

## MNRMSE

MNRMSE は、平均平方根二乗誤差 (mean root mean squared error) の略です。

## MDNRMSE

MDNRMSE は、中央値平方根二乗誤差 (median root mean squared error) の略です。

## 予測速度

予測速度は、二項分類、多項分類、回帰、時系列など、すべてのモデル タイプに適用されるモデル メトリクスです。予測速度は、機械学習モデルが予測を生成できる速度を測定します。

Qlik Predict では、予測速度は特徴量の計算時間とテスト データセットの予測時間を組み合わせて計算されます。表示単位は 1 秒あたりの行数です。

予測速度は、実験バージョンを実行した後に [モデル メトリクス] テーブルで分析できます。組み込み分析を使用してモデルを分析するときに、予測速度データを表示することもできます。詳細は以下をご覧ください。

* [モデル メトリクス テーブルの分析](https://help.qlik.com/ja-JP/cloud-services/Subsystems/Hub/Content/Sense_Hub/AutoML/analyze-models-quick.htm#Analyzing)

* [モデルの比較](https://help.qlik.com/ja-JP/cloud-services/Subsystems/Hub/Content/Sense_Hub/AutoML/analyze-models-compare.htm)

### 考慮事項

測定される予測速度は、予測の対象となるデータではなく、トレーニング データセットのサイズに基づいています。モデルを展開した後、トレーニング データと予測データのサイズが大きく異なる場合や、1 行または少数のデータ行に対してリアルタイム予測を作成する場合に、予測が作成される速度に違いが見られる可能性があります。