Parametro oggettivo

Autopilot produce parametri di precisione per valutare i modelli candidati e aiutarti a scegliere quali utilizzare per generare previsioni. Puoi lasciare che Autopilot ottimizzi il predittore per te oppure puoi scegliere manualmente un algoritmo per il tuo predittore. Per impostazione predefinita, Autopilot utilizza la perdita quantile ponderata media.

L'elenco seguente contiene i nomi dei parametri attualmente disponibili per misurare le prestazioni dei modelli per la previsione di serie temporali.

RMSE

L’errore quadratico medio (RMSE): misura la radice quadrata della differenza quadratica tra i valori previsti e quelli effettivi, e viene calcolata la media di tutti i valori. È un parametro importante per indicare la presenza di errori e valori anomali di un modello di grandi dimensioni. I valori sono compresi tra zero (0) e infinito, con numeri più piccoli che indicano una migliore adattabilità del modello ai dati. L’RMSE dipende dalla scala e non deve essere utilizzato per confrontare set di dati di dimensioni diverse.

wQL

Perdita quantile ponderata (wQl): valuta l'accuratezza della previsione misurando le differenze assolute ponderate tra i quantili P10, P50 e P90 previsti e quelli effettivi con valori più bassi che indicano prestazioni migliori.

Average wQL (default)

Perdita quantile ponderata media (wQl media): valuta la previsione calcolando la media dell'accuratezza sui quantili P10, P50 e P90. Un valore più basso indica un modello più preciso.

MASE

Errore assoluto medio scalato (MASE): l'errore assoluto medio della previsione normalizzato rispetto all'errore assoluto medio di un semplice metodo di previsione di base. Un valore più basso indica un modello più accurato, in cui MASE < 1 è considerato migliore della linea di base e MASE > 1 è considerato peggiore della linea di base.

MAPE

Errore assoluto medio percentuale (MAPE): l'errore percentuale (differenza percentuale tra il valore medio previsto e il valore effettivo) calcolato in media su tutti i punti temporali. Un valore più basso indica un modello più accurato, dove MAPE = 0 è un modello senza nessun errore.

WAPE

Errore assoluto percentuale ponderato (WAPE): la somma dell'errore assoluto normalizzata per la somma della destinazione assoluta, che misura la deviazione generale dei valori previsti dai valori osservati. Un valore più basso indica un modello più preciso.