MAPE (Mean Absolute Percentage Error) → relative Abweichung in %
Richtwerte:
< 10 % → sehr gut - Modell liegt fast immer sehr nah an den echten Werten
10–20 % → gut - Prognosen sind solide, kleine Abweichungen sind normal
20–30 % → mittelmäßig / akzeptabel - Modell ist brauchbar, aber nicht präzise – für grobe Trends ok
> 30 % → schwach - Modell verfehlt die Werte deutlich, oft durch Ausreißer oder fehlende Features
⚠️ Vorsicht: bei kleinen Werten (<200 Wh) kann MAPE stark verzerren → MdAPE heranziehen
MdAPE (Median Absolute Percentage Error) → Median der prozentualen Fehler in % (robuster gegenüber kleinen Werten)
Richtwerte:
< 10 % → sehr gut
10–20 % → gut
20–30 % → mittelmäßig
> 30 % → schwach
. Zitat von: DS_Starter am 22 Mai 2026, 20:04:41Expandiere auch die anderen Sektionen Modellparamter bis Rauschen und poste das mal.
Vllt. fällt dann noch etwas auf.
aiTrainStart=3 aiStorageDuration=18250 aiTreesPV=30
aiConActivate=1
aiConProfile=v1_common_active
aiConHiddenLayers=40-20-10
aiConShuffleMode=1
aiConBitFailLimit=0.34
aiConAlpha=0.7
aiConMomentum=0.9
aiConLearnRate=0.001 Trainingsbewertung: ok (ok)
Lernverhalten: overfit gesundes Lernverhalten (21.4 % Epochenausnutzung)
Einstellhinweise:
Trainingsdaten wurden auswendig gelernt statt allgemeine Muster zu erkennen (Fehler auf unbekannten Testdaten 53.9 % höher als auf Trainingsdaten): Trainings-/Testaufteilung von 80/20 auf 70/30 ändern und/oder Lernrate (aiControl->aiConLearnRate) um Faktor 2 reduzieren damit das Netz langsamer und allgemeiner lernt
Rauschen Bewertung: merkliches Rauschen, Interpretation mit Vorsicht (borderline)
Drift Bewertung: fresh_model
Empfehlung für Retrain: keine Normierungsgrenzen: PV=13640 Wh, Hausverbrauch: Min=0 Wh / Max=13733 Wh
Trainingsdaten: 9555 Datensätze (Training=7644, Validation=1911)
Architektur: Inputs=61, Hidden Layers=40-20-10, Outputs=1
Hyperparameter: Learning Rate=0.001, Momentum=0.9, BitFail-Limit=0.34
Aktivierungen: Hidden=SIGMOID, Steepness=0.9, Output=LINEAR
Trainingsalgorithmus: INCREMENTAL, Registry Version=v1_common_active
Zufallsgenerator: Mode=1, Period=10
Modellalter: 2 h bestes Modell bei Epoche: 3204 (max. 15000)
Training MSE: 0.000321
Validation MSE: 0.000697
Validation MSE Average: 0.000714
Validation MSE Standard Deviation: 0.000012
Validation Bit_Fail: 0
Model Bias: 159 Wh
Model Slope: 0.85
Trainingsbewertung: ok
MAE: 210.92 Wh
MedAE: 135.05 Wh
RMSE: 259.10 Wh
RMSE relative: 35 %
RMSE Rating: good
MAPE: 77.10 %
MdAPE: 17.10 %
R²: 0.88 Rauschen Bewertung: borderline
Empfehlung für Bit_Fail: 0.34 (Einstellung von aiControl->aiConBitFailLimit) Analysefenster: - h
Drift RMSE Ratio: -
Semantic Ratio: -
Slope Reference: 0.85
Slope Live: -
Slope Drift: 1
Bias Reference: 159
Bias Live: -
Bias Drift: 0
Score: -
Index: -
Drift Bewertung: fresh_model
Empfehlung für Retrain: keine
letzte Rekalibrierung: -
– ich habe den Hinweis aufgenommen und im Modul ergänzt: