كتب الذكاء الاصطناعيمشاريع الذكاء الاصطناعيمقالات الذكاء الاصطناعيمعجم الذكاء الاصطناعياسئلة واجوبة في الذكاء الاصطناعيأكاديمية الذكاء الاصطناعي للأطفالأكاديمية الذكاء الاصطناعيمدرسة رياضيات الذكاء الاصطناعيمختبر الذكاء الاصطناعيمختبر الخوارزميات المستوحاة من الطبيعةأطلس نماذج الذكاء الاصطناعيموسوعة تطبيقات الذكاء الاصطناعيمستكشف مجموعات البيانات للذكاء الاصطناعياختبارات الذكاء الاصطناعيالفايب كودينغدليل البرمجة بالذكاء الاصطناعيمولّد مشاريع الذكاء الاصطناعيمرصد الذكاء الاصطناعيدليل أدوات الذكاء الاصطناعي البحث والنشر الأكاديميمكتبة البرومبتات الأكاديميةمستودع الرسائل والأطاريح في الذكاء الاصطناعيحاسبة الترقية العلميةأكاديمية الوكلاء الذكيينمختبر أخلاقيات الذكاء الاصطناعي والعدالةساحة ألعاب الذكاء الاصطناعيمختبر التنبؤ بالسلاسل الزمنيةمتحف الذكاء الاصطناعيمختبر الرؤية الحاسوبيةمختبر الشبكات العصبية البيانيةمختبر معالجة اللغة الطبيعيةمختبر الحوسبة الكمّيةخرائط طريق الذكاء الاصطناعيمصمم الشبكات العصبية

مقاييس تقييم التنبؤ

Forecast Accuracy Metrics

مبتدئ15 دقيقة

أهداف الدرس

  • حساب MAE وRMSE وMAPE وsMAPE وMASE وR²
  • معرفة مشكلات MAPE
  • اختيار المقياس المناسب

المقاييس المطلقة

MAE متوسط الأخطاء المطلقة وسهل التفسير بوحدات البيانات. RMSE يعاقب الأخطاء الكبيرة أكثر.

\text{MAE}=\tfrac1n\sum|e_t|,\qquad \text{RMSE}=\sqrt{\tfrac1n\sum e_t^2}

المقاييس النسبية ومشكلة الصفر

MAPE نسبة مئوية لا تعتمد على الوحدة، لكنها غير معرّفة عند القيم الصفرية وتنفجر قرب الصفر ولا تعامل الزيادة والنقصان بالتساوي. يتجاهل المختبر النقاط الصفرية في MAPE ويبلغك بعددها، ويعرض sMAPE كبديل.

\text{MAPE}=\tfrac{100}{n}\sum\left|\tfrac{e_t}{y_t}\right|

MASE

يقسم MAE على متوسط خطأ Seasonal Naive داخل التدريب. قيمة أقل من 1 تعني أن النموذج أفضل من خط الأساس الموسمي، وهو صالح للمقارنة بين سلاسل مختلفة الوحدات.

\text{MASE}=\frac{\text{MAE}}{\frac{1}{T-m}\sum_{t=m+1}^{T}|y_t-y_{t-m}|}

R²

نسبة التباين المفسَّر في فترة الاختبار. قد يكون سالباً إذا كان النموذج أسوأ من المتوسط، ويكون مضللاً مع السلاسل ذات الاتجاه القوي.

الخلاصة

  • RMSE للأخطاء الكبيرة، MAE للتفسير
  • MAPE يفشل مع الأصفار
  • MASE < 1 يعني تفوقاً على Seasonal Naive

طبّق الدرس في مقارنة النماذج

للاستزادة

  1. FPP3 §5.8 Evaluating point forecast accuracy
  2. Hyndman, R. J. & Koehler, A. B. (2006). Another look at measures of forecast accuracy. IJF 22(4), 679–688