# 為時間序列模型計分

時間模型以數字形式預測結果，這些數字對應至特定的未來日期。會產生數個指標，供您評估時間序列模型。

## MASE

MASE 代表平均絕對比例誤差。MASE 是在 Qlik Predict 中用於計分和建議時間序列模型的關鍵指標之一。

在 Qlik Predict 中，MASE 是透過比較預測的平均絕對誤差 ([MAE](https://help.qlik.com/zh-TW/cloud-services/Subsystems/Hub/Content/Sense_Hub/AutoML/scoring-time-series.htm#MAE)) 與簡單預測的 MAE 來決定的。單純預測使用上次可用的值作為所有未來步驟的預測值。

## MAE

MAE 代表平均絕對誤差。連同 [MASE](https://help.qlik.com/zh-TW/cloud-services/Subsystems/Hub/Content/Sense_Hub/AutoML/scoring-time-series.htm#MASE)，MAE 是在 Qlik Predict 中用於計分和建議時間序列模型的關鍵指標之一。MAE 計算模型建立的預測中的誤差率，藉此衡量模型品質。

## MAPE

MAPE 代表平均絕對百分比誤差。

## WMAPE

WMAPE 代表加權平均絕對百分比誤差。

## RMSE

均方根誤差 (RMSE) 可以解譯為預測值和實際值之間預期的平均 +/- 差異。這是殘差 (觀察值和特徵預測值之間的差異) 的標準差。RMSE 的衡量單位與目標值相同。

如範例所示，假設目標是預測對比值，我們會得到 RMSE = 1250。這表示平均而言，預測值與實際值相差 +/- $1,250。

## MSE

MSE 代表均方誤差。

## SMAPE

SMAPE 代表對稱平均絕對百分比誤差。

## MDAPE

MDAPE 代表中位數絕對百分比誤差。

## MNRMSE

MNRMSE 代表均方根均方誤差。

## MDNRMSE

MDNRMSE 代表中位數根均方誤差。

## 預測速度

預測速度是適用於所有模型類型的模型指標：二元分類、多類別分類、迴歸和時間序列。預測速度衡量機器學習模型產生預測的速度。

在 Qlik Predict中，預測速度的計算方式是使用運算時間和測試資料集預測時間的組合特徵。這以每秒列數顯示。

執行實驗版本後，可以在模型指標表格中分析預測速度。您也可以在使用內嵌分析來分析模型時檢視預測速度資料。如需詳細資訊，請參閱：

* [分析模型指標表格](https://help.qlik.com/zh-TW/cloud-services/Subsystems/Hub/Content/Sense_Hub/AutoML/analyze-models-quick.htm#Analyzing)

* [比較模型](https://help.qlik.com/zh-TW/cloud-services/Subsystems/Hub/Content/Sense_Hub/AutoML/analyze-models-compare.htm)

### 考慮事項

衡量的預測速度是基於訓練資料集的大小，而不是進行預測的資料。部署模型後，如果訓練資料和預測資料的大小差異很大，或者如果對一列或幾列資料建立即時預測，則您可能會注意到預測建立速度之間的差異。