BİLGİ

[ME] Ortalama Hata (Mean Error):

ME

Ortalama hata bir makine öğrenmesi modelinin öngördüğü tahmin değerleri ile gerçek değerlerin arasındaki ortalama hatadır. Bu bağlamdaki hata bir ölçümdeki belirsizlik veya tahmini değer ile gerçek değer arasındaki farktır.

[MPE] Ortalama Yüzde Hata (Mean Percentage Error):

MPE

Bir makine öğrenmesi modelinin tahminlediği değerler ile gerçek değerleri arasındaki farkın ortalama yüzdesidir. MPE, daha çok tahminleyici modellerin karşılaştırılmasında kullanılır. MPE değeri hesaplanırken tahmin hatalarının mutlak değerlerinden ziyade gerçek değerleri kullanıldığı için, pozitif ve negatif tahmin hataları birbirini dengeleyebilir. Sonuç olarak MPE, tahminlerdeki önyargı ölçüsü olarak kullanılabilir. Bu ölçütün bir dezavantajı, tek bir gerçek değerin sıfır olması durumunda tanımlanmamış olmasıdır.

[MAE] Ortalama Mutlak Hata (Mean Absolute Error) – ([MAD] Mean Absolute Deviation):MAE

Ortalama mutlak hata iki sürekli değişken arasındaki farkın ölçüsüdür. MAE, her gerçek değer ile veriye en iyi uyan çizgi arasındaki ortalama dikey mesafedir. MAE aynı zamanda her veri noktası ile en iyi uyan çizgi arasındaki ortalama yatay mesafedir. MAE değeri kolay yorumlanabilir olduğu için regresyon ve zaman serisi problemlerinde sıkça kullanılmaktadır. MAE, yönlerini dikkate almadan bir dizi tahmindeki hataların ortalama büyüklüğünü ölçen, tüm tekil hataların ortalamada eşit olarak ağırlıklandırıldığı doğrusal bir skordur. MAE değeri 0’dan ∞’a kadar değişebilir. Negatif yönelimli puanlar yani daha düşük değerlere sahip tahminleyiciler daha iyi performans gösterir.

[MSE] Ortalama Kare Hata  (Mean Squared Error):

MSE

Basitçe, ortalama kare hata bir regresyon eğrisinin bir dizi noktaya ne kadar yakın olduğunu söyler. MSE, bir makine öğrenmesi modelinin, tahminleyicinin performansını ölçer, her zaman pozitif değerlidir ve MSE değeri sıfıra yakın olan tahminleyicilerin daha iyi bir performans gösterdiği söylenebilir.

[RMSE] Kök Ortalama Kare Hata (Root Mean Square Error):

RMSE

Bir makine öğrenmesi modelinin, tahminleyicinin tahmin ettiği değerler ile gerçek değerleri arasındaki uzaklığın bulunmasında sıklıkla kullanılan, hatanın büyüklğünü ölçen kuadratik bir metriktir. RMSE tahmin hatalarının (kalıntıların) standart sapmasıdır. Yani, kalıntılar, regresyon hattının veri noktalarından ne kadar uzakta olduğunun bir ölçüsüdür; RMSE ise bu kalıntıların ne kadar yayıldığının bir ölçüsüdür. Başka bir deyişle, verilere en iyi uyan çizgi etrafında o verilerin ne kadar yoğun olduğunu söyler. RMSE değeri 0’dan ∞’a kadar değişebilir. Negatif yönelimli puanlar yani daha düşük değerlere sahip tahminleyiciler daha iyi performans gösterir. RMSE değerinin sıfır olması modelin hiç hata yapmadığı anlamına gelir. RMSE, büyük hataları daha fazla cezalandırmanın avantajına sahiptir, bu yüzden bazı durumlara daha uygun olabilir. RMSE, birçok matematiksel hesaplamada istenmeyen mutlak değerin kullanılmasını engeller.

[MAPE] Ortalama Mutlak Yüzde Hata (Mean Absolute Percentage Error):

MAPE

Regresyon ve zaman serileri modellerinde tahminlerin doğruluğunu ölçmek için ortalama mutlak yüzde hata sıkça kullanılmaktadır. Gerçek değerler arasında sıfır içerenler varsa, sıfır ile bölünme olacağı için MAPE hesaplanamaz. Çok düşük tahmin değerleri için yüzde hatası %100’ü geçemez, ancak çok yüksek tahmin değerleri olduğunda yüzde hatasının üst sınırı yoktur. MAPE, tahminleyicilerin doğruluğunu karşılaştırmak için kullanıldığında, tahminleri çok düşük olan bir yöntemi sistematik olarak seçmesi nedeniyle önyargılıdır. Bu ufak ama ciddi problemin, tahmin değerlerin gerçek değerlerine oranını bulan bir doğruluk ölçütü ile üstesinden gelinebilir. Bu yaklaşım geometrik ortalama açısından yorumlanabilen tahminlere yol açar.

[sMAPE] (Symmetric Mean Absolute Percentage Error):

sMAPE

Simetrik Ortalama Mutlak Yüzde Hata (SMAPE), öğeler için sıfır veya sıfıra yakın talep olduğunda Ortalama Mutlak Yüzde Hata (MAPE) alternatifidir. SMAPE, bu düşük hacimli öğelerin etkisini azaltarak,% 200’lük bir hata oranına kendini sınırlar. Düşük hacimli öğeler sorunludur, aksi halde genel hata oranını çarpıtan sonsuz yüksek hata oranlarına sahip olabilirler.

SMAPE, tahmini eksi gerçek değerleri, bu formülde ifade edilen tahminlerin ve fiili toplamlara bölünür:

[MASE] (Mean Absolute Scaled Error):

formul_mase.png

İstatistikte , ortalama mutlak ölçekli hata (MASE) tahminlerin doğruluğunun bir ölçüsüdür. 2005 yılında istatistikçi Rob J. Hyndman ve Karantina Bilimleri Profesörü Anne B. Koehler tarafından “diğer ölçümlerde görülen sorunsuz tahmini doğruluğu genel olarak uygulanabilir bir ölçüm” olarak nitelendirmesi önerildi. Ortalama mutlak ölçekli hata, kök ortalama karesi sapması gibi tahmin hatalarını hesaplamak için kullanılan diğer yöntemlerle karşılaştırıldığında olumlu özelliklere sahiptir ve dolayısıyla tahminlerin karşılaştırmalı doğruluğunu belirlemek için önerilir.

[MNB] (Mean Normalized Bias):

MNB

[MdAE] Ortanca Mutlak Hata (Median Absolute Error):

MdAE

Ortanca mutlak hata özellikle ilginçtir çünkü aykırı değerlere karşı dayanıklıdır. MdAE, gerçek değerler ve tahmin değerleri arasındaki tüm mutlak farkların medyanı alınarak hesaplanır. İyi bir performans gösteren tahminleyicinin MdAE değeri sıfıra yakın değerler alır, sıfır olduğu durumda ise model hiç hata yapmıyordur.

[MaxAE] (Maximum Absolute Error):

MaxAE

[MARE] (Mean Absolute Relative Error):

MARE

 

[MdAPE] Ortanca Mutlak Yüzde Hata (Median Absolute Percentage Error):

MdAPE

Ortanca mutlak yüzde hata, zaman serileri başta olmak üzere birçok tahminleyici modelin performansını ölçmekte kullanılan bir metriktir. MdAPE, hataların mutlak değerleri boyutlarına göre sıralandığında, bir veri kümesi için tüm yüzde hatalarının orta değeridir. MdAPE, aykırı değerlere karşı esnektir.

[RAE] (Relative Absolute Error):

RAE

[MRAE] (Mean Relative Absolute Error):

MRAE

[GMAE] (Geometric Mean Absolute Error):

GMAE

[SAD] (Sum of Absolute Differences):

SAD

[GMRAE] (Geometric Mean Relative Absolute Error):

GMRAE

[MdRAE] (Median Relative Absolute Error):

MdRAE

[sMdAPE] (Symmetric Median Absolute Percentage Error):

SMdAPE

[SSE] (Sum of Squared Error):

SSE

[RSE] (Relative Squared Error):

RSE

[RRSE] (Root Relative Squared Error):

RRSE

[GRMSE] (Geometric Root Mean Squared Error):

GRMSE

[MSPE] (Mean Square Percentage Error):

MSPE

[MdSPE] (Median Square Percentage Error):

MdSPE

[RMSPE] (Root Mean Square Percentage Error):

RMSPE

[RMdSPE] (Root Median Square Percentage Error):RMdSPE

 

Doğru Metrik Seçimi