EmpezarEmpieza gratis

SES vs naive

En este ejercicio, pondrás en práctica lo que sabes sobre conjuntos de entrenamiento y prueba, la función subset() y la función accuracy(), que aprendiste en el Capítulo 2, para comparar los pronósticos SES y naive con los datos de marathon.

Hiciste algo muy similar para comparar los pronósticos naive y de la media en un ejercicio anterior, "Evaluating forecast accuracy of non-seasonal methods".

Repasemos el proceso:

  1. Primero, importa y carga tus datos. Decide qué parte de los datos destinarás al entrenamiento y cuál a las pruebas; los conjuntos no deben solaparse.
  2. Extrae un subconjunto de los datos para crear un conjunto de entrenamiento, que usarás como argumento en tu(s) función(es) de pronóstico. Opcionalmente, también puedes crear un conjunto de prueba para usar más adelante.
  3. Calcula los pronósticos del conjunto de entrenamiento usando la(s) función(es) de pronóstico que elijas y establece h igual al número de valores que quieres pronosticar, que también es la longitud del conjunto de prueba.
  4. Para ver los resultados, usa la función accuracy() con el pronóstico como primer argumento y los datos originales (o el conjunto de prueba) como segundo.
  5. Elige una métrica en la salida, como RMSE o MAE, para evaluar los pronósticos; un error más pequeño indica mayor precisión.

Los datos de marathon están cargados en tu espacio de trabajo.

Este ejercicio forma parte del curso

Forecasting en R

Ver curso

Instrucciones del ejercicio

  • Usando subset(), crea un conjunto de entrenamiento para marathon que incluya todos los años excepto los últimos 20, que reservarás para pruebas.
  • Calcula los pronósticos SES y naive de este conjunto de entrenamiento y guárdalos en fcses y fcnaive, respectivamente.
  • Calcula las métricas de precisión de ambos conjuntos de pronósticos usando la función accuracy() en tu consola.
  • Asigna los mejores pronósticos (ya sea fcses o fcnaive) en función del RMSE a fcbest.

ejercicio interactivo práctico

Prueba este ejercicio completando este código de ejemplo.

# 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 <- ___
Editar y ejecutar código