Pontuando modelos de séries temporais
Os modelos de tempo preveem resultados como números correspondentes a datas futuras específicas. Diversas métricas são geradas para você avaliar os modelos de séries temporais.
MASE
MASE significa erro médio absoluto escalonado. MASE é uma das principais métricas usadas para pontuar e recomendar modelos de séries temporais no Qlik Predict.
No Qlik Predict, o MASE é determinado comparando o erro médio absoluto (MAE) de uma previsão ao MAE de uma previsão ingênua. A previsão ingênua utiliza o último valor disponível como valor previsto para todas as etapas futuras.
MAE
MAE significa erro absoluto médio. Juntamente com MASE, MAE é uma das principais métricas usadas para pontuar e recomendar modelos de séries temporais no Qlik Predict. O MAE mede a qualidade do modelo calculando a taxa de erro nas previsões criadas pelo modelo.
RMSE
Raiz do erro quadrático médio (RMSE) pode ser interpretada como a diferença média +/- esperada entre um valor previsto e o valor real. É o desvio padrão dos resíduos (a diferença entre o valor observado e o valor previsto para um recurso). A RMSE é medida na mesma unidade que o valor alvo.
Como exemplo, digamos que nosso alvo seja prever o valor do contrato e obtemos RMSE = 1250. Isso significa que, em média, o valor previsto difere +/- US$ 1.250 do valor real.
Velocidade de previsão
Velocidade de previsão é uma métrica de modelo que se aplica a todos os tipos de modelo: classificação binária, classificação multiclasse, regressão e série temporal. A velocidade de previsão mede a rapidez com que um modelo de aprendizado de máquina pode gerar previsões.
No Qlik Predict, a velocidade de previsão é calculada usando o tempo combinado de computação do recurso e o tempo de previsão do conjunto de dados de teste. Ela é exibida em linhas por segundo.
A velocidade de previsão pode ser analisada na tabela Métricas do modelo após a execução da versão do experimento. Você também pode visualizar os dados de velocidade de previsão ao analisar modelos com análise incorporada. Para obter mais informações, consulte:
Considerações
A velocidade de previsão medida baseia-se no tamanho do conjunto de dados de treinamento, e não nos dados nos quais as previsões são feitas. Após implementar um modelo, você poderá notar diferenças entre a rapidez com que as previsões são criadas se o tamanho dos dados de treinamento e de previsão for muito diferente, ou ao criar previsões em tempo real em uma ou poucas linhas de dados.