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.
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.
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.
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
