Nel seguente grafico interattivo è possibile comparare gli errori di previsione giornaliera del consumo di energia elettrica dei principali modelli mostrati in precedenza.

​

Il grafico rappresenta l'errore di previsione percentuale medio (MAPE) dei modelli studiati. Ogni colore identifica un bimestre e l'altezza è proporzionale all'errore percentuale stesso.

​

Gli errori sono divisi in sei gruppi di due mesi ciascuno, selezionabili dal primo filtro in alto a destra.

Inoltre, è possibile utilizzare il secondo filtro per decidere se attivare o meno la destagionalizzazione descritta al terzo passo qui.

​

Si può notare come l'errore di previsione per la Rete Neurale (neural) sia migliore rispetto agli altri modelli in ogni periodo solamente se è presente la destagionalizzazione (DESEASON = LogAdditive). Tale metodo funge da "standardizzazione" per le variabili in output, e ciò aiuta la Rete Neurale ad adattarsi meglio.

​

La regressione attraverso un Processo Gaussiano (gaussian) riesce a ottenere buoni risultati in termini di errore di previsione rispetto agli altri modelli usando un kernel Esponenziale (Exp). Pur avendo un errore maggiore rispetto alla Rete Neurale, ha il vantaggio di poter fornire degli intervalli di confidenza più affidabili.

​

Il modello Lineare (linear) e la regressione attraverso Nearest Neighbour (nearest) mostrano di avere una buona capacità di previsione in termini di errore di previsione percentuale, preferendo un minor numero di parametri da calibrare e una maggiore semplicità di spiegazione degli stessi, rispetto alla potenza predittiva nel caso di una Rete Neurale o una previsione più affidabile della distribuzione giornaliera nel caso di un Processo Gaussiano.