1. Učit se
    2. /
  2. Kurzy
    3. /
  3. Forecasting v R
Connected

cvičení

SES vs naivní metoda

V tomto cvičení využiješ znalosti trénovacích a testovacích sad, funkce subset() a funkce accuracy() – vše, co ses naučil/a ve 2. kapitole – k porovnání SES a naivních prognóz pro data marathon.

Něco velmi podobného jsi už dělal/a při porovnávání naivních prognóz a prognóz průměrem v dřívějším cvičení „Vyhodnocení přesnosti prognóz pro nesezónní metody".

Pojďme si postup zopakovat:

  1. Nejprve naimportuj a načti data. Rozhodni se, kolik dat chceš přidělit trénování a kolik testování – sady se nesmí překrývat.
  2. Pomocí funkce subset() vytvoř trénovací sadu, kterou použiješ jako argument ve svých prognózovacích funkcích. Volitelně můžeš vytvořit i testovací sadu pro pozdější použití.
  3. Vypočítej prognózy trénovací sady pomocí zvolené prognózovací funkce (nebo funkcí) a nastav h na počet hodnot, které chceš předpovědět – tedy na délku testovací sady.
  4. Výsledky zobrazíš pomocí funkce accuracy(), kde jako první argument zadáš prognózu a jako druhý původní data (nebo testovací sadu).
  5. Zvol metriku ve výstupu, například RMSE nebo MAE, pro vyhodnocení prognóz – nižší chyba znamená vyšší přesnost.

Data marathon jsou načtena do tvého pracovního prostoru.

Pokyny

100 XP
  • Pomocí subset() vytvoř trénovací sadu pro marathon, která bude obsahovat všechna data kromě posledních 20 let, jež si vyhradíš pro testování.
  • Vypočítej SES a naivní prognózy pro tuto trénovací sadu a ulož je do fcses, resp. fcnaive.
  • Vypočítej míry přesnosti prognóz pro obě sady prognóz pomocí funkce accuracy() v konzoli.
  • Do fcbest přiřaď nejlepší prognózy (buď fcses, nebo fcnaive) na základě hodnoty RMSE.