Publicado en: Sep 21, 2021
Nos complace anunciar que, en Amazon Forecast, ahora puede seleccionar la métrica de precisión que desee para indicar a AutoML que optimice la formación de un predictor para la métrica de precisión seleccionada. Además, hemos agregado tres métricas de precisión más para evaluar su predictor: la pérdida cuantílica media ponderada (average weighted quantile loss, Average wQL), el error porcentual medio absoluto (mean absolute percentage error, MAPE) y el error de escala aboluta media (absolute scaled error, MASE).
En función de las operaciones comerciales y de la métrica de precisión que se había utilizado tradicionalmente para evaluar las previsiones, los clientes prefirieron utilizar diferentes métricas de precisión para evaluar sus predictores. Anteriormente, los clientes conocían la solidez de su predictor mediante la evaluación de tres métricas de precisión: la métrica de pérdida cuantílica ponderada (weighted quantile loss (wQL)) para cada punto de distribución seleccionado, el error porcentual absoluto ponderado (weighted absolute percentage error (WAPE)) y el error cuadrático medio (root mean square error (RMSE)), pero no tenían control sobre la métrica AutoML que optimiza la precisión del modelo.
Con este lanzamiento, se puede indicar a AutoML que optimice el predictor para una métrica de precisión específica de su elección y Forecast proporcionará a los clientes cinco métricas de precisión diferentes para que puedan evaluar la fuerza de sus modelos de predicción. Estas son: la pérdida cuantílica media ponderada (average weighted quantile loss, Average wQL) de todos los puntos de distribución seleccionados, el error porcentual absoluto ponderado (weighted absolute percentage error, WAPE), el error porcentual medio absoluto (mean absolute percentage error, MAPE), el error de escala aboluta media (absolute scaled error, MASE) y el error cuadrático medio (root mean square error, RMSE), calculado en la previsión media. Para cada métrica, un valor menor, no negativo, indica un error menor y, por tanto, un modelo más preciso.
Para comenzar a utilizar esta capacidad, lea nuestro blog para obtener más información sobre cada métrica de precisión y consulte Evaluación de la precisión del predictor. Puede utilizar esta capacidad en todas las regiones donde Forecast esté disponible públicamente. Para obtener más información sobre la disponibilidad en las regiones, consulte la Tabla de regiones.