ennustustarkkuus

Ennustustarkkuus tarkoittaa ennustemallin kykyä tuottaa lähellä todellista havaintoa olevia ennusteita. Käsite kattaa sekä deterministiset että probabilistiset ennusteet ja sitä mitataan useilla eri tunnusluvuilla riippuen datan luonteesta ja käyttötarkoituksesta.

Yleisiä metriikoita ovat virhepohjaiset mittarit (MAE, RMSE, MAPE), suhteelliset mittarit (MASE) ja selitysaste (R^2) jatkuville muuttujille sekä tarkkuus, sensitiivisyys ja spesifisyys luokittelutehtävissä. Probabilististen ennusteiden arvioinnissa käytetään Brierin pistettä, log-scorea ja CRPS:ää, jotka huomioivat epävarmuuden ja kalibroinnin.

Ennustustarkkuuteen vaikuttavat datan laatu, muuttujien valinta, mallin monimutkaisuus, hyperparametrien optimointi sekä ilmiön stationaarisuus. Ylensovittaminen, alisovittaminen ja käsite- tai data-ajautuminen voivat heikentää suorituskykyä reaalimaailman käyttötilanteissa. Usein parempia tuloksia saavutetaan yhdistämällä malleja (ensemble), parantamalla signaalin ja hälyn suhdetta, käyttämällä oikeaa validointimenetelmää (esim. aikasarjoissa backtesting) ja ennakoimalla epävarmuutta.

Parhaat käytännöt sisältävät riippumattoman testijoukon, vertailun yksinkertaisiin benchmark-malleihin, ennustusten kalibroinnin ja selkeän epävarmuusviestinnän. Ennustustarkkuus on aina kontekstisidonnainen: korkea numeerinen tarkkuus ei korvaa ymmärrystä ennustettavasta ilmiöstä tai päätöksenteon vaatimuksista.