İsabetli zaman serisi modelleri
Zaman modelleri, sonuçları gelecekteki belirli tarihlere karşılık gelen sayılar olarak tahmin eder. Zaman serisi modellerini değerlendirebilmeniz için çeşitli metriklerin oluşturulması gerekir.
MASE
MASE, ortalama mutlak ölçeklendirilmiş hata anlamına gelir. MASE, Qlik Predict içinde zaman serisi modellerini puanlamak ve önermek için kullanılan temel metriklerden biridir.
Qlik Predict içinde, MASE, bir tahminin ortalama mutlak hatasını (MAE) saf bir tahminin MAE'si ile karşılaştırarak belirlenir. İşlenmemiş tahmin, son mevcut değeri, gelecekteki tüm adımlar için tahmin edilen değer olarak kullanır.
MAE
MAE, ortalama mutlak hata anlamına gelir. MASE ile birlikte MAE, Qlik Predict içinde zaman serisi modellerini puanlamak ve önermek için kullanılan temel metriklerden biridir. MAE, model tarafından oluşturulan tahminlerdeki hata oranını hesaplayarak model kalitesini ölçer.
RMSE
Kök ortalama kare hatası (RMSE), tahmin edilen değer ile gerçek değer arasındaki beklenen ortalama +/- fark olarak yorumlanabilir. Artıkların standart sapmasıdır (bir özellik için gözlenen değer ile tahmin edilen değer arasındaki fark). RMSE, hedef değer ile aynı birimde ölçülür.
Örneğin, hedef olarak sözleşme değerini tahmin etmek istediğimizi ve RMSE'nin 1.250 olduğunu düşünelim. Bu, tahmin edilen değer ile gerçek değer arasındaki farkın ortalama +/- 1.250 $ olduğu anlamına gelir.
Tahmin hızı
Tahmin hızı tüm model türleri için geçerli olan bir model metiriğidir: ikili sınıflandırma, çok sınıflı sınıflandırma, regresyon ve zaman serisi. Tahmin hızı, bir makine öğrenimi modelinin ne kadar hızlı tahmin üretebildiğini ölçer.
Qlik Predict içinde tahmin hızı, birleşik özellik hesaplama süresi ve test veri kümesi tahmin süresi kullanılarak hesaplanır. Saniye başına satır cinsinden görüntülenir.
Tahmin hızı, deney sürümünüzü çalıştırdıktan sonra Model metrikleri tablosunda analiz edilebilir. Eklenmiş analizler içeren modelleri analiz ederken tahmin hızı verilerini de görüntüleyebilirsiniz. Daha fazla bilgi için şuraya bakın:
Dikkat edilmesi gereken noktalar
Ölçülen tahmin hızı, tahminlerin yapıldığı verilerden ziyade eğitim veri kümesinin boyutuna dayanmaktadır. Bir modeli dağıttıktan sonra, eğitim ve tahmin verilerinin boyutları büyük ölçüde farklıysa veya bir ya da birkaç veri satırı üzerinde gerçek zamanlı tahminler oluştururken tahminlerin oluşturulma hızları arasında farklılıklar olduğunu görebilirsiniz.