Σύγκριση μεθόδων
Εξετάστε τις επιλεγμένες μεθόδους δίπλα-δίπλα· οι γραμμές που διαφέρουν επισημαίνονται.
| Μέσο Απόλυτο Κλιμακωμένο Σφάλμα (MASE)× | Μέσο Τετραγωνικό Σφάλμα (RMSE)× | |
|---|---|---|
| Πεδίο | Αξιολόγηση Μοντέλων | Αξιολόγηση Μοντέλων |
| Οικογένεια | MCDM | MCDM |
| Έτος προέλευσης≠ | 2006 | 1809 |
| Δημιουργός≠ | Rob J. Hyndman and Anne B. Koehler | Carl Friedrich Gauss |
| Τύπος≠ | Scale-independent baseline comparison metric | Distance-based evaluation metric |
| Θεμελιώδης πηγή≠ | Hyndman, R. J., & Koehler, A. B. (2006). Another look at measures of forecast accuracy. International Journal of Forecasting, 22(4), 679-688. DOI ↗ | Gauss, C. F. (1809). Theoria Motus Corporum Coelestium in Sectionibus Conicis Solem Ambientium. Hamburg: Perthes and Besser. link ↗ |
| Εναλλακτικές ονομασίες≠ | MASE | RMSE, RMS error, quadratic mean error |
| Συναφείς | 4 | 4 |
| Σύνοψη≠ | Mean Absolute Scaled Error is a scale-independent metric that measures prediction accuracy relative to a simple baseline (naive forecast). Introduced by Hyndman and Koehler (2006), MASE directly compares model performance to a reference method, overcoming limitations of MAPE and other percentage-based metrics. | Root Mean Squared Error is a widely used metric that measures the average magnitude of prediction errors in regression models. Originating from Carl Friedrich Gauss's work on least-squares estimation (1809), RMSE quantifies how far predictions deviate from observed values by averaging the squared differences and taking the square root. |
| ScholarGateΣύνολο δεδομένων ↗ |
|
|