Eğitim ve test kümeleri

R ile Tahminleme

Rob J. Hyndman

Professor of Statistics at Monash University

Eğitim ve test kümeleri

ch2_vid3_slides.003.png

Eğitim ve test kümeleri

ch2_vid3_slides.004.png

Eğitim ve test kümeleri

ch2_vid3_slides.005.png

Test kümesi, tahminleri hesaplamanın hiçbir aşamasında kullanılmamalı
Tahminleri eğitim kümesi ile kur
Eğitime iyi uyan bir model, iyi tahmin yapmayabilir

Örnek: Suudi Arabistan petrol üretimi

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

Tahmin hataları

Tahmin "hatası" = test kümesinde gözlenen değer ile tahmini arasındaki fark.

$\neq$ kalıntılar

kalıntılar eğitim kümesindeki hatalardır (vs. test kümesi)
ve bir adımlık tahminlere dayanır (vs. çok adımlı)

Doğruluğu test verisindeki tahmin hatalarıyla hesapla

Tahmin doğruluğu ölçütleri

Gözlem: $y_t$
Tahmin: $\hat{y}_t$
Tahmin hatası: $e_t = y_t - \hat{y}_t$

Doğruluk ölçüsü	Hesaplama
Ortalama mutlak hata	$\text{MAE} = avg(\mid e_t \mid)$
Ortalama karesel hata	$\text{MSE} = avg(e_t^2)$
Ortalama mutlak yüzde hata	$\text{MAPE} = 100 \times avg(\mid \frac{e_t}{y_t} \mid )$
Ortalama mutlak ölçekli hata	$\text{MASE} = \frac{\text{MAE}}{Q}$ burada $Q$ bir ölçek sabitidir

accuracy() komutu

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

Hadi pratik yapalım!

R ile Tahminleme