本文属于机器翻译版本。若本译文内容与英语原文存在差异，则一律以英文原文为准。

# 目标指标
<a name="timeseries-objective-metric"></a>

Autopilot 会生成准确性指标来评估候选模型，帮助您选择使用哪个模型来生成预测。您可以让 Autopilot 为您优化预测变量，也可以手动为预测变量选择算法。默认情况下，Autopilot 使用平均加权分位数损失。

以下列表包含当前可用于衡量时间序列预测模型性能的指标名称。

**`RMSE`**  
均方根误差 (RMSE) – 衡量预测值与实际值之间平方差的平方根并对所有值取平均值。这是一个重要的指标，用于指示是否存在较大的模型误差和异常值。值的范围从零 (0) 到无穷大，数字越小表示模型对数据的拟合效果越好。RMSE 依赖于规模，不应用于比较不同大小的数据集。

**`wQL`**  
加权分位数损失 (wQL) – 测量预测和实际 P10、P50 和 P90 分位数之间的加权绝对差，用来评测预测的准确性，较低的值表示性能更好。

**`Average wQL (default)`**  
平均加权分位数损失（平均 wQL）– 通过对 P10、P50 和 P90 分位数处的准确性取平均值评估预测。值越低表示模型越准确。

**`MASE`**  
平均绝对标度误差 (MASE) - 预测的平均绝对误差，通过简单基线预测方法进行标准化。值越低表示模型越准确，MASE < 1 时预计比基线好，而 MASE > 1 时预计比基线差。

**`MAPE`**  
平均绝对误差百分比 (MAPE) - 所有时间点的平均误差百分比（平均预测值与实际值之差的百分比）。值越低表示模型越准确，MAPE = 0 表示模型没有误差。

**`WAPE`**  
加权绝对百分比误差 (WAPE) – 绝对误差之和，按照绝对目标之和标准化，用于衡量预测值相比观测值的总体偏差。值越低表示模型越准确。