# 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](https://help.qlik.com/pt-BR/cloud-services/Subsystems/Hub/Content/Sense_Hub/AutoML/scoring-time-series.htm#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](https://help.qlik.com/pt-BR/cloud-services/Subsystems/Hub/Content/Sense_Hub/AutoML/scoring-time-series.htm#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.

## MAPE

MAPE significa erro percentual absoluto médio.

## WMAPE

WMAPE significa erro percentual absoluto médio ponderado.

## 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.

## MSE

MSE significa erro quadrático médio.

## SMAPE

SMAPE significa erro percentual absoluto médio simétrico.

## MDAPE

MDAPE significa erro percentual absoluto mediano.

## MNRMSE

MNRMSE significa raiz quadrada média do erro médio.

## MDNRMSE

MDNRMSE significa raiz quadrada média mediana do erro médio.

## 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:

* [Analisando a tabela de métricas do modelo](https://help.qlik.com/pt-BR/cloud-services/Subsystems/Hub/Content/Sense_Hub/AutoML/analyze-models-quick.htm#Analyzing)

* [Comparando modelos](https://help.qlik.com/pt-BR/cloud-services/Subsystems/Hub/Content/Sense_Hub/AutoML/analyze-models-compare.htm)

### 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.