Útmutatóhoz kapcsolódó kvíz · Közepes Szint

Előrejelzési pontossági mérőszámok: MAPE, sMAPE és MASE kvíz

Hasonlítsa össze a százalékos és skálázott előrejelzési hibákat, kezelje a nulla tényleges adatokat, és értelmezze a metrikaértékeket egy naiv referenciaértékhez képest.

kérdés 1 -ból 8

A tényleges kereslet 100, az előrejelzés pedig 90. Mennyi az abszolút százalékos hiba a MAPE alatt?

Tekintse meg az összes kérdést8 kérdéseket

A válaszok és magyarázatok megjelennek a kvíz kitöltésekor.

  1. A tényleges kereslet 100, az előrejelzés pedig 90. Mennyi az abszolút százalékos hiba a MAPE alatt?
    • 10%
    • 90%
    • 100%
    • 0,1%
  2. Milyen probléma merül fel a MAPE esetében, ha a tényleges érték nulla?
    • Az előrejelzésnek is nullának kell lennie
    • Százalékos nevezője nulla
    • A mérőszám valószínűséggé válik
    • A hiba automatikusan tökéletesnek számít
  3. Mit jelez az egy alatti MASE szokásos definíciója szerint?
    • A modell hibája egy célegység alatt van
    • Minden teszt előrejelzés pontosabb, mint az alapvonal
    • A teszt MAE értéke a kiválasztott, mintán belüli naiv MAE skála alatt van
    • A modell nulla torzítással rendelkezik
  4. Miért kell a pontos sMAPE képletet megadni egy jelentésben?
    • Automatikusan eltávolítja az előrejelzési torzítást
    • Az sMAPE-nek csak egy univerzális nulla definíciója van
    • A mérőszám mindig célegységben van kifejezve
    • A megvalósítások különböző méretezési és nulla konvenciókat használnak
  5. Miért hangsúlyozhatja túl a MAPE a kis mennyiségű megfigyeléseket?
    • Minden abszolút hibát eloszt a betanítás által beállított naiv hibaskálával
    • A rögzített abszolút hiányosság nagyobb százalékossá válik, ha a tényleges érték kicsi
    • Nagyobb százalékos súlyt ad a nagy volumenű megfigyeléseknek
    • Átlagolja az előjeles százalékos hibákat, így a pozitív és negatív kihagyások megszűnnek
  6. A szezonális adatok esetében melyik MASE nevező lehet relevánsabb?
    • Csak a tesztbeállított szórás
    • A legnagyobb megfigyelt előrejelzési hiba
    • Szezonális-naiv edzési hiba az egyezési időszakban
    • A képzési átlag négyzetes hiba
  7. Ha a képzési naiv MAE nevező nulla, mi történik a MASE-val?
    • Ez lesz az előrejelzések száma
    • Mindig nulla
    • Ez egyenlő a MAPE-vel
    • Meghatározatlan alternatív konvenció nélkül
  8. Miért kell az előrejelzéseket azonos időablakok és eredet alapján értékelni?
    • A modell-összehasonlításhoz használjon egyenértékű információkat és eseteket
    • Hogy minden tényleges érték nullától eltérő legyen
    • Az állóképesség garantálása érdekében
    • Az alapvonal szükségességének kiküszöbölésére