Kuiz berkaitan panduan · Sederhana Tahap

Metrik Ketepatan Ramalan: Kuiz MAPE, sMAPE dan MASE

Bandingkan peratusan dan ralat ramalan berskala, kendalikan sifar sebenar dan tafsir nilai metrik berbanding penanda aras naif.

Laluan panduan yang berkaitanMetrik Ketepatan Ramalan Mape Dan Smape
soalan 1 daripada 8

Permintaan sebenar ialah 100 dan ramalan ialah 90. Berapakah ralat peratus mutlak mengikut MAPE?

Pratonton setiap soalan8 soalan

Jawapan dan penjelasan muncul semasa anda mengambil kuiz.

  1. Permintaan sebenar ialah 100 dan ramalan ialah 90. Berapakah ralat peratus mutlak mengikut MAPE?
    • 10%
    • 90%
    • 100%
    • 0.1%
  2. Apakah isu yang timbul untuk MAPE apabila nilai sebenar sifar?
    • Ramalan juga mestilah sifar
    • Penyebut peratusannya ialah sifar
    • Metrik menjadi kebarangkalian
    • Ralat secara automatik dikira sebagai sempurna
  3. Apakah yang ditunjukkan MASE di bawah satu mengikut definisinya yang biasa?
    • Ralat model adalah di bawah satu unit sasaran
    • Setiap ramalan ujian adalah lebih tepat daripada garis dasar
    • Ujian MAE berada di bawah skala MAE naif dalam sampel yang dipilih
    • Model ini mempunyai bias sifar
  4. Mengapa perlu menyatakan formula sMAPE tepat dalam laporan?
    • Ia mengalih keluar bias ramalan secara automatik
    • sMAPE hanya mempunyai satu definisi sifar universal
    • Metrik sentiasa dinyatakan dalam unit sasaran
    • Pelaksanaan menggunakan penskalaan dan konvensyen sifar yang berbeza
  5. Mengapa MAPE boleh memberi penekanan berlebihan pada pemerhatian bervolum rendah?
    • It divides each absolute error by the training-set naive error scale
    • A fixed absolute miss becomes a larger percentage when the actual is small
    • It gives greater percentage weight to high-volume observations
    • It averages signed percentage errors so positive and negative misses cancel
  6. For seasonal data, which MASE denominator may be more relevant?
    • The test-set standard deviation only
    • The largest observed forecast error
    • A seasonal-naive training error at the matching period
    • The training mean squared error
  7. If the training naive MAE denominator is zero, what happens to MASE?
    • It becomes the number of forecasts
    • Ia sentiasa sifar
    • It equals MAPE
    • It is undefined without a defined alternative convention
  8. Why evaluate forecasts using the same time windows and origins?
    • To make model comparisons use equivalent information and cases
    • To make all actual values nonzero
    • To guarantee stationarity
    • To eliminate the need for a baseline