शुरू करेंमुफ़्त में शुरू करें

MAE, MSE के साथ बैकटेस्टिंग

इस अभ्यास में, आप बैकटेस्टिंग करके मॉडल का प्रदर्शन कैसे आँकते हैं, यह अभ्यास करेंगे. आउट-ऑफ-सैंपल फोरकास्ट की सटीकता MSE और MAE की गणना से आंकी जाती है.

आप sklearn.metrics पैकेज में उपलब्ध प्री-डिफाइन्ड फंक्शंस से आसानी से भविष्यवाणी त्रुटियाँ MSE और MAE का अनुमान लगा सकते हैं. वास्तविक वैरिएंस और अनुमानित वैरिएंस क्रमशः actual_var और forecast_var में पहले से लोड हैं.

यह अभ्यास पाठ्यक्रम का हिस्सा है

Python में GARCH मॉडल

पाठ्यक्रम देखें

अभ्यास निर्देश

  • evaluate() में, sklearn.metrics से संबंधित फंक्शन कॉल करके MAE की गणना करें.
  • evaluate() में, sklearn.metrics से संबंधित फंक्शन कॉल करके MSE की गणना करें.
  • बैकटेस्ट करने के लिए वैरिएबल्स को evaluate() में पास करें.

इंटरैक्टिव व्यावहारिक अभ्यास

इस अभ्यास को इस नमूना कोड को पूरा करके आज़माएँ।

def evaluate(observation, forecast): 
    # Call sklearn function to calculate MAE
    mae = ____(observation, forecast)
    print('Mean Absolute Error (MAE): {:.3g}'.format(mae))
    # Call sklearn function to calculate MSE
    mse = ____(observation, forecast)
    print('Mean Squared Error (MSE): {:.3g}'.format(mse))
    return mae, mse

# Backtest model with MAE, MSE
evaluate(____, ____)
कोड संपादित करें और चलाएँ