RMSE
Root Mean Squared Error (RMSE) misst die durchschnittliche Größe von Fehlern in einer Reihe von Prognosen und wird zur Bewertung von Prognosegenauigkeit eingesetzt.
RMSE wird häufig in statistischer Modellierung und Machine Learning genutzt, um die Leistung von Prognosemodellen zu bewerten. Die Kennzahl erfasst jedoch nicht die Richtung der Fehler.
Wie RMSE funktioniert
RMSE wird in mehreren Schritten berechnet:
- Fehler berechnen: Prognosewerte werden von tatsächlichen Werten abgezogen.
- Fehler quadrieren: Jeder Fehler wird quadriert, um negative Werte zu entfernen und größere Abweichungen stärker zu gewichten.
- Mittelwert und Quadratwurzel bilden: Der Durchschnitt der quadrierten Fehler wird berechnet und anschließend die Quadratwurzel gezogen, um zur ursprünglichen Einheit zurückzukehren.
Stärken und Grenzen
RMSE ist hilfreich, wenn größere Fehler besonders relevant sind. Die Kennzahl kann jedoch irreführend sein, wenn Ausreißer das Ergebnis stark verzerren. Mean Absolute Error (MAE) ist eine ergänzende Kennzahl, die alle Fehler gleichmäßiger behandelt.
Anwendung in der Rohstoffpreisprognose
In Rohstoffmärkten wird RMSE genutzt, um die Genauigkeit von Preisprognosen für Märkte wie Öl oder Erdgas zu bewerten. Niedrigere RMSE-Werte deuten auf genauere Prognosen hin und unterstützen Entscheidungen in volatilen Märkten.
