Wyniki modeli szeregów czasowych
Modele czasowe przewidują wyniki jako liczby odpowiadające konkretnym przyszłym datom. Generowanych jest kilka wskaźników do oceny modeli szeregów czasowych.
MASE
MASE oznacza średni bezwzględny błąd skalowany. MASE jest jednym z kluczowych wskaźników używanych do oceny i rekomendowania modeli szeregów czasowych w Qlik Predict.
W Qlik Predict wskaźnik MASE jest określany przez porównanie średniego błędu bezwzględnego (MAE) prognozy z MAE prognozy naiwnej. Prognoza naiwna wykorzystuje ostatnią dostępną wartość jako prognozowaną wartość dla wszystkich przyszłych kroków.
MAE
MAE oznacza średni błąd bezwzględny. Wraz z MASE MAE jest jednym z kluczowych wskaźników używanych do oceny i rekomendowania modeli szeregów czasowych w Qlik Predict. MAE mierzy jakość modelu poprzez obliczanie współczynnika błędu w prognozach utworzonych przez model.
RMSE
Średnią kwadratową błędu (root mean squared error, RMSE) można interpretować jako średnią oczekiwaną różnicę +/- między wartością przewidywaną a rzeczywistą. Jest to odchylenie standardowe reszt (różnica między wartością obserwowaną a wartością przewidywaną dla cechy). RMSE mierzy się w tej samej jednostce co wartość celu.
Na przykład załóżmy, że naszym celem jest przewidzenie wartości kontraktu i otrzymujemy RMSE = 1250. Oznacza to, że średnio przewidywana wartość różni się o +/- 1250 USD od wartości rzeczywistej.
Szybkość predykcji
Szybkość przewidywania to wskaźnik modelu, który ma zastosowanie do wszystkich typów modeli: klasyfikacji binarnej, klasyfikacji wieloklasowej, regresji i szeregów czasowych. Szybkość przewidywania mierzy, jak szybko model uczenia maszynowego jest w stanie generować predykcje.
W Qlik Predict szybkość predykcji jest obliczana na podstawie połączonego czasu obliczania cech i czasu predykcji zestawu danych testowych. Jest wyświetlana w wierszach na sekundę.
Szybkość przewidywania można przeanalizować w tabeli Wskaźniki modelu po uruchomieniu wersji eksperymentu. Dane dotyczące szybkości przewidywania można również wyświetlać podczas analizowania modeli z wbudowaną analityką. Więcej informacji zawiera temat:
Uwagi
Zmierzona szybkość przewidywania jest oparta na rozmiarze zbioru danych do uczenia, a nie na danych, na których dokonywane są predykcje. Po wdrożeniu modelu można zauważyć różnice w szybkości tworzenia predykcji, jeśli dane do uczenia i do predykcji różnią się znacznie rozmiarem lub podczas tworzenia prognoz w czasie rzeczywistym na jednym lub kilku wierszach danych.