Model

Hoe goed is het, en welke variabelen tellen?

Zomer, apr – sep 2026 Winter, dec 2025 – mei 2026

MAE RMSE

5 vensters van 30 dagenWalk-forward, elk venster buiten de trainingBacktest, geen trackrecord

Model, gemiddelde MAE

3,4%

van de gemeten vraag · 510 MW · over alle vensters

Vorige week (D-7)

5,6%

van de gemeten vraag · 808 MW · de benchmark

Beter dan D-7

37%

relatieve winst

Bomen

427

gemiddeld, via early stopping

Per validatievenster

Vijf vensters van 30 dagen. Elk venster is voorspeld door een model dat het niet had gezien.

De kolom officieel staat alleen in de tabel en niet in de grafiek: zij gaat over een andere grootheid dan de gemeten vraag, dus naast het model zetten zou een schaalverschil als kwaliteitsverschil laten lezen. Zie de pagina Competitie voor de vergelijking die wél opgaat.

Welke variabelen tellen

Hoeveel de fout toeneemt als een groep variabelen wordt geschud. Gemeten op data buiten de training, niet uit de modelstructuur afgeleid.

Gemeten over 2026-08-10 tot 2026-09-09 (2.881 kwartieren, 3× herhaald), met een basisfout van 329 MW. Samen geschud telt zwaarder dan de som van los, en dat verschil is het punt: variabelen binnen een groep vangen elkaars uitval op, dus los weglaten onderschat hoeveel de groep werkelijk draagt.

De twaalf zwaarste variabelen

Dezelfde meting, per losse variabele.

TimesFM als tweede mening

Een voorgetraind model dat deze data nooit zag, naast het eigen model en het gemiddelde van de twee.

XGBoost alleen

361 MW

RMSE 476 MW

TimesFM alleen

361 MW

RMSE 500 MW

D-7

534 MW

Dit zijn backtests. Ze meten het model op vensters die het niet had gezien, maar ze zijn achteraf uitgerekend met de code van nu. Wat er werkelijk is uitgebracht staat op Competitie, onder Echt uitgebracht, met per dag of het een echte uitgifte was of een reconstructie.

Cijfers ophalen…