Training dan test set

Peramalan di R

Rob J. Hyndman

Professor of Statistics at Monash University

Training dan test set

ch2_vid3_slides.003.png

Training dan test set

ch2_vid3_slides.004.png

Training dan test set

ch2_vid3_slides.005.png

Test set tidak boleh digunakan untuk aspek apa pun dalam menghitung prakiraan
Bangun prakiraan dengan training set
Model yang pas pada data training belum tentu memprakirakan dengan baik

Contoh: produksi minyak Arab Saudi

training <- window(oil, end = 2003)
test <- window(oil, start = 2004)
fc <- naive(training, h = 10)
autoplot(fc) + autolayer(test, series = "Test data")

Galat prakiraan

Galat "prakiraan" = selisih antara nilai teramati dan prakiraannya pada test set.

$\neq$ residual

yaitu galat pada training set (vs. test set)
berbasis prakiraan satu-langkah (vs. multi-langkah)

Hitung akurasi dengan galat prakiraan pada data test

Ukuran akurasi prakiraan

Observasi: $y_t$
Prakiraan: $\hat{y}_t$
Galat prakiraan: $e_t = y_t - \hat{y}_t$

Ukuran akurasi	Perhitungan
Mean absolute error (MAE)	$\text{MAE} = avg(\mid e_t \mid)$
Mean squared error (MSE)	$\text{MSE} = avg(e_t^2)$
Mean absolute percentage error	$\text{MAPE} = 100 \times avg(\mid \frac{e_t}{y_t} \mid )$
Mean absolute scaled error	$\text{MASE} = \frac{\text{MAE}}{Q}$ dengan $Q$ adalah konstanta skala

Perintah accuracy()

accuracy(fc, test)

                  ME   RMSE    MAE    MPE    MAPE    MASE    ACF1  Theil's U
Training set   9.874  52.56  39.43  2.507  12.571  1.0000  0.1802         NA
Test set      21.602  35.10  29.98  3.964   5.778  0.7603  0.4030      1.185

Ayo berlatih!

Peramalan di R