MASE

MASE

• Mean Absoulte Scaled Error의 약자
• MAE는 데이터 값의 크기(스케일)에 따라 달라진다는 점이 있음
• 서로 다른 스케일의 데이터끼리 성능을 비교하기가 어려운 점이 있음
• 이에 따라 시계열 데이터 예측에서는, MASE를 활용해 데이터를 스케일링한 값을 척도로 사용
  • MAPE와 같이 실제 값을 기준으로 나누어도 되는데, 이 때 실제 값이 0 혹은 0에 가까워지는 경우 값이 매우 튀게 됨
  • MASE는 값이 0 근처로 가도 나누는 방식이 다르기 때문에 차이가 존재
• 원래 값보다 적게 혹은 많이 예측함에 있어서, 패널티를 동일하게 부여 (대칭성)
  • 다른 척도는 대칭성이 부족한 경우가 많음

계산 방법

• MAE를 계산
• Training data에 1부터 T 까지의 time-series 데이터가 있다고 가정
  • 2부터 T 까지의 i에 대해, |y_i - y_(i-1)| 의 값의 평균을 계산
  • MAE를 이 평균 값으로 나누면 MASE가 됨
• Time-series가 아닌 경우에도 사용이 가능
  • |y_i - y_avg|를 계산하면 됨
  • y_avg는 모든 데이터의 평균

References

1. https://en.wikipedia.org/wiki/Mean_absolute_scaled_error