Quiz połączony z przewodnikiem · Średni Poziom

Metryki dokładności prognoz: quiz MAPE, sMAPE i MASE

Porównuj procentowe i skalowane błędy prognoz, obsługuj zerowe wartości rzeczywiste i interpretuj wartości metryk w odniesieniu do naiwnego punktu odniesienia.

Powiązane ścieżki prowadząceMape i Smape prognozy dokładności
Pytanie 1 z 8

Rzeczywisty popyt wynosi 100, a prognoza 90. Jaki jest bezwzględny błąd procentowy w ramach MAPE?

Podgląd każdego pytania8 pytania

Odpowiedzi i wyjaśnienia pojawiają się w miarę rozwiązywania quizu.

  1. Rzeczywisty popyt wynosi 100, a prognoza 90. Jaki jest bezwzględny błąd procentowy w ramach MAPE?
    • 10%
    • 90%
    • 100%
    • 0.1%
  2. Jaki problem pojawia się w przypadku MAPE, gdy rzeczywista wartość wynosi zero?
    • The forecast must also be zero
    • Its percentage denominator is zero
    • The metric becomes a probability
    • The error is automatically counted as perfect
  3. Co oznacza MASE poniżej w swojej zwykłej definicji?
    • The model's error is below one target unit
    • Every test forecast is more accurate than the baseline
    • Test MAE is below the selected in-sample naive MAE scale
    • The model has zero bias
  4. Po co podawać w raporcie dokładny wzór sMAPE?
    • It removes forecast bias automatically
    • sMAPE has only one universal zero definition
    • The metric is always expressed in target units
    • Implementations use different scaling and zero conventions
  5. Dlaczego MAPE może przesadnie podkreślać obserwacje o małej objętości?
    • 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
    • Zawsze jest zero
    • 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