Tränings- och testmängder

Prognoser i R

Rob J. Hyndman

Professor of Statistics at Monash University

Tränings- och testmängder

ch2_vid3_slides.003.png

Tränings- och testmängder

ch2_vid3_slides.004.png

Tränings- och testmängder

ch2_vid3_slides.005.png

Testmängden får inte användas för någon del av prognosberäkningen
Bygg prognoser med träningsmängden
En modell som passar träningsdata väl ger inte nödvändigtvis bra prognoser

Exempel: Saudiarabiens oljeproduktion

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

Prognosfel

Prognosfel = skillnaden mellan observerat värde och dess prognos i testmängden.

$\neq$ residualer

vilka är fel på träningsmängden (jämfört med testmängden)
vilka baseras på ettstegsprognoser (jämfört med flerstegsprognoser)

Beräkna noggrannhet med prognosfel på testdata

Mått på prognosnoggrannhet

Observation: $y_t$
Prognos: $\hat{y}_t$
Prognosfel: $e_t = y_t - \hat{y}_t$

Noggrannhetsmått	Beräkning
Medelabsolutfel	$\text{MAE} = avg(\mid e_t \mid)$
Medelkvadratfel	$\text{MSE} = avg(e_t^2)$
Medelabsolutprocentfel	$\text{MAPE} = 100 \times avg(\mid \frac{e_t}{y_t} \mid )$
Medelabsolutskaleratfel	$\text{MASE} = \frac{\text{MAE}}{Q}$ där $Q$ är en skalningskonstant

Kommandot 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

Nu kör vi en övning!

Prognoser i R