محققان در مقاله جدیدی به سراغ بهینهسازی مدلهای پیشبینی رفتند. شاخص کارایی Nash-Sutcliffe (NSE) که سالها برای ارزیابی پیشبینیها در سریهای زمانی استفاده میشد، حالا با معرفی «Nash-Sutcliffe Loss» از نظر ریاضی و نظری ارتقا پیدا کرده است.
این فرمول جدید، به مدلهای هوش مصنوعی کمک میکند تا در پیشبینی سریهای زمانی وابسته و پیچیده، با دقت بیشتری عمل کنند و عملاً یک چارچوب استانداردتر برای رگرسیون خطی فراهم میکند. این دستاورد میتواند ابزار کارآمدتری برای تحلیلگران داده و متخصصان حوزه پیشبینی فراهم کند. 📈✨
منبع: arXiv Machine Learning