Objektive Kennzahlen

Der Autopilot erstellt Genauigkeitskennzahlen zur Bewertung der Modellkandidaten und hilft Ihnen bei der Auswahl der Modelle, die Sie für die Erstellung von Prognosen verwenden können. Sie können entweder Autopilot den Prognoseparameter für Sie optimieren lassen oder Sie können manuell einen Algorithmus für Ihren Prognoseparameter auswählen. Der Autopilot verwendet standardmäßig den durchschnittlichen gewichteten Quantilverlust.

Die folgende Liste enthält die Namen der Kennzahlen, die derzeit zur Messung der Leistung von Modellen für Zeitreihenprognosen zur Verfügung stehen.

RMSE

Root Mean Squared Error (RMSE) – Misst die Quadratwurzel der quadrierten Differenz zwischen vorhergesagten und tatsächlichen Werten und wird über alle Werte gemittelt. Es ist eine wichtige Kennzahl, die das Vorhandensein großer Fehler und Ausreißer im Modell hinweist. Die Werte reichen von Null (0) bis unendlich. Dabei weisen kleinere Zahlen auf eine bessere Anpassung des Modells an die Daten hin. RMSE hängt von der Größenordnung ab und sollte nicht zum Vergleich von Datensätzen unterschiedlicher Größe verwendet werden.

wQL

Weighted Quantile Loss (wQL) – Beurteilen Sie die Genauigkeit der Prognose, indem Sie die gewichteten absoluten Differenzen zwischen den vorhergesagten und den tatsächlichen P10-, P50- und P90-Quantilen messen. Dabei weisen niedrigere Werte auf eine bessere Leistung hin.

Average wQL (default)

Average Weighted Quantile Loss (Average wQL) – Bewertet die Prognose, indem anhand der Quantile P10, P50 und P90 der Durchschnitt der Genauigkeit berechnet wird. Ein niedrigerer Wert bedeutet ein genaueres Modell.

MASE

Mean Absolute Scaled Error (MASE) – Der mittlere absolute Fehler der Prognose, normalisiert auf den mittleren absoluten Fehler einer einfachen Basisprognosemethode. Ein niedrigerer Wert weist auf ein genaueres Modell hin, bei dem MASE < 1 ist. Er wird als besser eingeschätzt als die Grundlinie und MASE > 1 wird als schlechter eingeschätzt wird als die Grundlinie.

MAPE

Mean Absolute Percent Error (MAPE) – Der prozentuale Fehler (prozentuale Differenz zwischen dem mittleren prognostizierten Wert und dem tatsächlichen Wert), gemittelt über alle Zeitpunkte. Ein niedrigerer Wert weist auf ein genaueres Modell hin, wobei MAPE = 0 für ein Modell ohne Fehler steht.

WAPE

Weighted Absolute Percent Error (WAPE) – Die Summe der absoluten Fehler, normalisiert auf die Summe der absoluten Zielwerte, die anhand der beobachteten Werte die Gesamtabweichung der prognostizierten Werte messen. Ein niedrigerer Wert bedeutet ein genaueres Modell.