Ortalama Mutlak Ölçeklenmiş Hata (MASE)
Mean Absolute Scaled Error · Ayrıca şöyle bilinir: MASE
Ortalama Mutlak Ölçeklenmiş Hata (MASE), bir tahminin doğruluğunu basit bir tabana (naif tahmin) göreceli olarak ölçen, ölçekten bağımsız bir metriktir. Hyndman ve Koehler (2006) tarafından tanıtılan MASE, MAPE ve diğer yüzde tabanlı metriklerin sınırlamalarını aşarak model performansını doğrudan bir referans yöntemle karşılaştırır.
Tam yöntemi oku
Bu bölümü okumak için ücretsiz hesapla giriş yapın.
Yöntem haritası
İlişkili yöntemlerin komşuluğu — keşfetmek için bir düğüm seçin.
Ne zaman kullanılır
Farklı veri kümeleri veya ölçekler arasında modelleri karşılaştırırken veya verileriniz sıfır veya çok küçük değerler içerdiğinde MASE kullanın. MASE, naif bir tabanın anlamlı olduğu tahmin görevleri için idealdir (örneğin, zaman serileri). Doğrudan şu soruyu yanıtlar: Modelim basit geçmiş değer tahmininden daha mı iyi? Metrik herhangi bir veri ölçeğiyle çalışır ve aykırı değerlere karşı dayanıklıdır.
Güçlü yönler & sınırlılıklar
- Ölçekten bağımsız: veri kümeleri arasında doğrudan karşılaştırılabilir
- Sıfır değerlerini zarifçe ele alır; gerçek veya tahmin edilen değerlere bölme gerektirmez
- Sezgisel yorumlama: MASE < 1, naif tabandan daha iyi anlamına gelir
- Aykırı değerlere karşı dayanıklıdır (karesel hatalar yerine MAE paydasını kullanır)
- Yalnızca naif tabanın uygulanabilir olduğu zaman serisi verileri için anlamlıdır
- Sıralı olmayan veya kesitsel veriler için taban anlamlı olmayabilir
- Naif tabanın düşük hataya sahip olması durumunda payda çok küçük olabilir, bu da istikrarsızlığa neden olur
- Test kümesi gerektirir; mutlak doğruluğun doğrudan bir metriği değildir
SSS
MASE'de naif taban nedir?
Naif tahmin, mümkün olan en basit tahmindir: bir sonraki değerin bir önceki değere eşit olduğunu varsayın (bir adımlı naif tahmin). Mevsimsel veriler için bazıları mevsimsel naif tabanı (aynı mevsimin bir önceki değeri) kullanır.
MASE'yi zaman serisi olmayan verilerle kullanabilir miyim?
Teknik olarak evet, ancak doğal bir sıralama olmadan naif taban keyfi hale gelir. Kesitsel veriler için MAE, RMSE gibi diğer metrikleri veya alanla ilgili bir tabana göre karşılaştırma yapan göreceli metrikleri göz önünde bulundurun.
Naif tabanın hatası sıfır olursa ne olur?
Bu nadirdir ancak sorunludur. Naif tahmin mükemmelse, MASE tanımsızdır. Pratikte, naif hata çok küçükse, MASE kararsız hale gelir. Bu durumda alternatif metrikler kullanın.
MASE tüm tahmin problemleri için en iyi metrik midir?
Evrensel olarak değil. MASE, modelleri karşılaştırmak ve sıfırları ele almak için mükemmeldir, ancak orijinal birimlerdeki (MAE veya RMSE gibi) veya yüzde cinsinden (MAPE gibi) doğruluğu doğrudan yansıtmaz. Tam bir içgörü için birden fazla metrik kullanın.
MASE, trend veya mevsimsellik ile nasıl performans gösterir?
Basit bir naif tabanla MASE, güçlü trendlere veya mevsimselliğe sahip veriler için yanıltıcı olabilir. Bunun yerine mevsimsel bir naif taban kullanmayı düşünün veya bu örüntüleri hesaba katan daha gelişmiş bir taban kullanın.
Kaynaklar
- Hyndman, R. J., & Koehler, A. B. (2006). Another look at measures of forecast accuracy. International Journal of Forecasting, 22(4), 679-688. DOI: 10.1016/j.ijforecast.2006.03.001 ↗
- Hyndman, R. J., & Athanasopoulos, G. (2021). Forecasting: Principles and Practice (3rd ed.). Melbourne, Australia: OTexts. link ↗
- Wang, X., & Petropoulos, F. (2016). To select or to combine? Forecasting from a thousand models. International Journal of Forecasting, 32(3), 594-606. link ↗
Bu sayfayı kaynak gösterin
ScholarGate. (2026, June 3). Mean Absolute Scaled Error. ScholarGate. https://scholargate.app/tr/model-evaluation/mean-absolute-scaled-error
Hangi yöntem?
Bu yöntemi en yakın akrabalarının yanına koyup yan yana okuyun — kütüphane kitapları masaya serer; seçim sizindir.
- Mutlak Hata Ortalaması (MHO)Model değerlendirme↔ karşılaştır
- Mutlak Yüzde Hatası Ortalaması (MAPE)Model değerlendirme↔ karşılaştır
- Ortalama Karekök Hata (RMSE)Model değerlendirme↔ karşılaştır
- Simetrik MAPE (sMAPE)Model değerlendirme↔ karşılaştır