Les traductions sont fournies par des outils de traduction automatique. En cas de conflit entre le contenu d'une traduction et celui de la version originale en anglais, la version anglaise prévaudra.
Métriques d'objectif
Autopilot produit des métriques de précision pour évaluer les modèles candidats et vous aider à choisir lequel utiliser pour générer des prévisions. Vous pouvez laisser Autopilot optimiser le prédicteur pour vous ou vous pouvez choisir manuellement un algorithme pour votre prédicteur. Par défaut, Autopilot utilise la perte quantile pondérée moyenne.
La liste suivante contient les noms des métriques qui sont actuellement disponibles pour mesurer les performances des modèles pour la prévision des séries temporelles.
RMSE-
Erreur quadratique moyenne (RMSE) : mesure la racine carrée de la différence quadratique entre les valeurs prévues et réelles, et la moyenne est calculée sur toutes les valeurs. Cette métrique est importante pour indiquer la présence d'erreurs et de valeurs aberrantes dans les modèles volumineux. Les valeurs vont de zéro (0) à l'infini, les plus petits nombres indiquant une meilleure adéquation du modèle aux données. RMSEdépend de l'échelle et ne doit pas être utilisé pour comparer des ensembles de données de tailles différentes.
wQL-
Perte quantile pondérée (wQL) : évaluez la précision de la prévision en mesurant les différences absolues pondérées entre les quantiles P10, P50 et P90 prédits et réels, des valeurs plus faibles indiquant une meilleure performance.
Average wQL (default)-
Perte quantile pondérée moyenne (wQL moyen) : évalue la prévision en faisant la moyenne de la précision au niveau des quantiles P10, P50 et P90. Une valeur faible indique un modèle plus précis.
MASE-
Erreur d'échelle absolue moyenne (MASE) : erreur absolue moyenne de la prévision normalisée par l'erreur absolue moyenne d'une méthode de prévision de référence simple. Une valeur inférieure indique un modèle plus précis, où MASE < 1 est estimé comme meilleur que le niveau de référence et MASE > 1 est estimé comme étant inférieur au niveau de référence.
MAPE-
Pourcentage d'erreur absolu moyen (MAPE) : pourcentage d'erreur (différence en pourcentage entre la valeur moyenne prévue et la valeur réelle) calculée en moyenne sur tous les points temporels. Une valeur inférieure indique un modèle plus précis, où MAPE = 0 est un modèle sans erreur.
WAPE-
Pourcentage d'erreur absolu pondéré (WAPE) : somme de l'erreur absolue normalisée par la somme de la cible absolue, qui mesure l'écart global entre les valeurs prévues et les valeurs observées. Une valeur faible indique un modèle plus précis.
