LoslegenKostenlos loslegen

SES vs. Naive

In dieser Übung wendest du dein Wissen über Trainings- und Testsätze, die Funktion subset() und die Funktion accuracy() an, die du in Kapitel 2 gelernt hast, um SES- und naive Prognosen für die marathon-Daten zu vergleichen.

Etwas sehr Ähnliches hast du bereits getan, als du in einer früheren Übung „Bewertung der Prognosegüte nicht-saisonaler Methoden“ naive und Mittelwert-Prognosen verglichen hast.

Hier ist der Ablauf zur Wiederholung:

  1. Importiere und lade zuerst deine Daten. Lege fest, wie viel deiner Daten du für Training und wie viel für Testing einplanst; die Sätze dürfen sich nicht überschneiden.
  2. Erzeuge mittels Subsetting einen Trainingssatz, den du als Argument in deiner(n) Prognosefunktion(en) verwendest. Optional kannst du auch schon einen Testsatz für später erstellen.
  3. Berechne Prognosen für den Trainingssatz mit der/den von dir gewählten Prognosefunktion(en) und setze h gleich der Anzahl der Werte, die du prognostizieren willst – das entspricht auch der Länge des Testsatzes.
  4. Um die Ergebnisse anzusehen, verwende die Funktion accuracy() mit der Prognose als erstem Argument und den Originaldaten (oder dem Testsatz) als zweitem Argument.
  5. Wähle ein Maß in der Ausgabe, z. B. RMSE oder MAE, um die Prognose(n) zu beurteilen; ein kleinerer Fehler bedeutet eine höhere Genauigkeit.

Die marathon-Daten sind in deinem Arbeitsbereich geladen.

Diese Übung ist Teil des Kurses

Prognosen mit R

Kurs anzeigen

Anleitung zur Übung

  • Erstelle mit subset() einen Trainingssatz für marathon, der alle bis auf die letzten 20 Jahre der Daten umfasst; diese reservierst du für das Testing.
  • Berechne die SES- und die naive Prognose für diesen Trainingssatz und speichere sie in fcses bzw. fcnaive.
  • Berechne in der Konsole die Prognosegüte der beiden Prognosesätze mit der Funktion accuracy().
  • Weise die besten Prognosen (entweder fcses oder fcnaive) basierend auf dem RMSE fcbest zu.

Interaktive Übung

Vervollständige den Beispielcode, um diese Übung erfolgreich abzuschließen.

# Create a training set using subset()
train <- ___(___, end = length(marathon) - ___)

# Compute SES and naive forecasts, save to fcses and fcnaive
fcses <- ses(___, h = ___)
fcnaive <- naive(___, h = ___)

# Calculate forecast accuracy measures
accuracy(___, ___)
accuracy(___, ___)

# Save the best forecasts as fcbest
fcbest <- ___
Code bearbeiten und ausführen