Wyniki modeli szeregów czasowych
Last updated: 1.09.2026Modele 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.