SeterusnyaPanduan seterusnya
Metrik Kualiti Imej PSNR dan SSIM
Teknikal
PANDUAN Teknikal
Metrik ramalan meringkaskan cara ramalan berbeza daripada nilai yang diperhatikan, tetapi MAPE, sMAPE dan MASE mengendalikan skala dan nilai sifar secara berbeza.
Dengar panduan iniAI-diceritakan · ~3 min
Pilih metrik yang sepadan dengan keputusan, bandingkan ramalan pada tetingkap penilaian yang sama dan sertakan asas naïve daripada bergantung hanya pada skor peratusan.
Forecast accuracy metrics turn prediction errors into summaries, but each emphasizes different properties. Mean absolute error averages absolute errors in the target's units. MAPE averages absolute error divided by the absolute actual value, often multiplied by 100. It is easy to read as a percentage, but it is undefined when actual values are zero and can be dominated by small actuals. It also treats over- and under-forecast errors asymmetrically in some settings because actuals appear only in the denominator. sMAPE attempts a symmetric percentage by scaling absolute error relative to the magnitudes of actual and forecast. Several formulas exist, some use a factor of two and others not, and zero-over-zero cases require conventions. Despite its name, sMAPE can behave unexpectedly around zero and does not guarantee fair comparisons across all scales. Always state the exact implementation. Mean absolute scaled error (MASE) divides a model's test-set MAE by the in-sample MAE of a naive forecast, typically the one-step persistence forecast for nonseasonal data. For seasonal data, a seasonal-naive denominator may be more appropriate. A MASE below one means the model's average absolute error on the evaluation cases is lower than the chosen naive in-sample scale. It does not mean the model always beats the baseline on every observation, and the denominator can be zero for perfectly constant training data. Use an evaluation period that reflects the intended forecast horizon, preserve time order and compare models on identical cases. Report metric definitions, units, treatment of zeros, aggregation weights and baseline. If many series are combined, averaging percentage errors may give tiny-volume series disproportionate influence. Pair a headline metric with error distributions and business costs, such as stockouts versus overstock. No single metric captures calibration of prediction intervals, bias, tail risk and operational impact at once.
Ramalan hipotesis meramalkan 90 unit apabila permintaan sebenar ialah 100. Ralat peratus mutlak ialah 10%, menggunakan ralat mutlak dibahagi dengan nilai sebenar.
Apabila permintaan sebenar sifar, penyebut MAPE menjadi sifar dan ralat peratus tidak ditakrifkan; menggantikan sifar dengan pemalar kecil mengubah metrik dan harus dinyatakan.
Seorang penganalisis menggunakan MASE dan membahagikan MAE set ujian dengan MAE naïve satu langkah dalam sampel. Nilai di bawah satu bermakna ralat lebih rendah daripada skala naïve itu pada kes yang dinilai, tidak menjamin keunggulan masa depan.
Sebuah pasukan membandingkan formula pelaksanaan sMAPE sebelum menerbitkan hasil kerana definisi berbeza dalam penyebut dan skala; nilai daripada konvensi berbeza mungkin tidak boleh dibandingkan.
Papan pemuka ramalan boleh lebih jujur dengan meletakkan formula metrik, horizon penilaian, pengendalian sifar dan asas naïve di sebelah setiap hasil. Pasukan harus menunjukkan ralat bergantung skala dalam unit serta ukuran bebas skala apabila membandingkan produk atau wilayah. Apabila corak permintaan berubah, kira semula asas menggunakan hanya maklumat yang ada pada setiap asal ramalan. Kos berasaskan keputusan boleh melengkapkan metrik statistik apabila over‑ dan under‑forecasting mempunyai akibat yang berbeza. Pilihan metrik yang jelas memudahkan perbandingan model tanpa mengimplikasikan satu nombor peratusan menangkap setiap aspek kualiti ramalan.
Newsletter percuma
Tiga cerita AI yang disahkan setiap pagi hari bekerja, ditulis dalam Bahasa Inggeris biasa. Percuma selamanya, tiada iklan.
Satu e-mel setiap hari bekerja. Berhenti melanggan dalam satu klik. Kami tidak pernah menjual atau berkongsi alamat anda.
Uji diri anda
Maklum balas segera pada setiap jawapan, dan sijil yang boleh dikongsi dengan ID yang boleh disahkan sebaik sahaja anda lulus kursus.
Sokong pendidikan AI percuma. AI Understanding ialah pertubuhan bukan keuntungan 501(c)(3) — tiada iklan, tiada bayaran dinding, selamanya. Buat derma
Metrik ramalan merangkum bagaimana ramalan berbeza daripada nilai sebenar, tetapi MAPE, sMAPE dan MASE mengendalikan skala dan nilai sifar secara berbeza. Pilih metrik yang sepadan dengan keputusan, bandingkan ramalan pada tetingkap penilaian yang sama dan sertakan asas naïve daripada bergantung hanya pada skor peratusan.
Ralat mutlak ialah 10, dibahagi dengan sebenar 100, memberi 0.10 atau 10%.
MAPE membahagikan dengan magnitud sebenar, jadi nilai sebenar sifar menjadikan peratus tidak ditakrifkan.
MASE membandingkan MAE ujian dengan skala naïve dalam sampel; di bawah satu menunjukkan ralat purata lebih rendah daripada skala itu.
Varian sMAPE yang berbeza dan pilihan pengendalian sifar boleh menghasilkan nilai yang tidak boleh dibandingkan.
Membahagi dengan nilai sebenar yang kecil menjadikan ralat mutlak yang sama memberi sumbangan peratus yang lebih besar.
Teruskan belajar
Lebih banyak panduan dipilih untuk topik ini
SeterusnyaPanduan seterusnya
Metrik Kualiti Imej PSNR dan SSIM
Teknikal