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.
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.
- Permintaan sebenar ialah 100 dan ramalan ialah 90. Berapakah ralat peratus mutlak mengikut MAPE?
- 10%
- 90%
- 100%
- 0.1%
- 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
- 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
- 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
- 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
- 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
- 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
- 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