Temperatura - Viladrau Online
Dashboard de Validació
Rendiment real del model de predicció IA.
← Dashboard Info Model Heatmap

Dashboard de Validació del Model IA

Rendiment real del model de predicció basat en validacions automàtiques. Consulta el detall del model a /model-info.html.

Cobertura de validació Mostra validacions
--%

Prediccions contrastades

% dins interval de confiança Confiabilitat
--%

Valides dins l'interval

Taxa d'anomalies Control d'errors
--%

Errors >3x RMSE

Cobertura de dades
--

Abast de lectures reals

Confiabilitat del model
--

Coherència intervals

Salut i anomalies
--

Observació i alertes

Accuracy (24h)
Encert global del model
 
Objectiu ≥90%
Error Mitjà (MAE) ?
MAE = Mean Absolute Error Mitjana dels errors absoluts. Indica quants graus s'equivoca el model de mitjana.
Exemple: MAE de 1.2°C vol dir que les prediccions s'equivoquen de mitjana 1.2 graus.
Quants graus falla
 
Error absolut mitjà
RMSE ?
RMSE = Root Mean Square Error Arrel de l'error quadràtic mitjà. Penalitza més els errors grans. Si RMSE >> MAE, hi ha errors puntuals importants.
Exemple: RMSE de 2°C amb MAE de 1°C indica alguns errors grans ocasionals.
Detecta errors grans
 
Variabilitat d'error
Validacions
Prediccions comprovades
--
Validacions al període
MAPE ?
MAPE = Mean Absolute Percentage Error Error en percentatge respecte al valor real. Útil per comparar entre diferents escales de temperatura.
Exemple: MAPE de 8% vol dir que les prediccions s'equivoquen un 8% de mitjana.
Error en percentatge
--%
Error relatiu; òptim <10%
% dins confiança
Fiabilitat de l'interval
--%
Cobertura de l'interval
MAE (Error Mitjà Absolut) Clau
Indica quants graus Celsius s'equivoca el model de mitjana. És l'indicador més intuïtiu: un MAE de 1°C significa que les prediccions fallen 1 grau de mitjana.
< 1°C Excel·lent 1-2°C Acceptable > 2°C Millorable
RMSE (Arrel Error Quadràtic Mitjà)
Similar al MAE però penalitza més els errors grans. Si RMSE és molt superior al MAE, indica que hi ha alguns errors puntuals importants (outliers).
< 1.5°C Estable 1.5-3°C Alguns pics > 3°C Inestable
MAPE (Error Percentual Mitjà)
L'error expressat com a percentatge del valor real. Útil per entendre l'error relatiu: un MAPE del 5% en una temperatura de 20°C equival a ±1°C.
< 10% Molt bo 10-20% Acceptable > 20% Revisar
Accuracy (Precisió)
Percentatge de "encert" del model. Es calcula com 100% menys l'impacte del MAE sobre el rang típic de temperatures (30°C). Objectiu: > 90%.
> 95% Excel·lent 90-95% Bona < 90% Millorable
Interval de Confiança
Rang de temperatures on el model "promet" que estarà el valor real amb un 95% de probabilitat. Si el % dins confiança és alt, els intervals són fiables.
> 90% Calibrat 80-90% Acceptable < 80% Massa estret
Anomalies
Prediccions amb errors superiors a 3 vegades el RMSE. Indiquen situacions excepcionals on el model ha fallat significativament.
< 2% Normal 2-5% Vigilar > 5% Revisar

Rendiment Real · Dades comprovades

Prediccions del model contrastades amb lectures reals del sensor

Accuracy real
--%
MAE
-- °C
Validacions
--
% dins confiança
--%
Excel·lent (<0.5°C)
Bona (0.5-1°C)
Acceptable (1-2°C)
Millorable (2-3°C)
Dolenta (>3°C)

Referència Teòrica · Estimació interna

Mètriques que el model calcula internament sobre les seves pròpies dades d'entrenament. No estan validades contra lectures reals futures — serveixen com a referència base.

Accuracy estimada --%
MAE model -- °C
RMSE model -- °C
Punts entrenament --

Diferència clau: El "Rendiment Real" (esquerra) mesura com de bé ha predit el model comparant amb el que ha passat realment. Aquesta "Referència Teòrica" mostra com el model avalua la seva pròpia precisió amb dades passades. Si els valors reals són pitjors que els teòrics, indica marge de millora.