1. Nauka
    2. /
  2. Kursy
    3. /
  3. Prognozowanie w R
Connected

ćwiczenie

Ocena dokładności prognoz metod sezonowych

Jak poznałeś w pierwszym rozdziale, funkcja window() pozwala określić start i end szeregu czasowego za pomocą odpowiednich wartości czasowych, a nie indeksów. Każdy z tych argumentów może być podany jako wektor w postaci c(rok, okres) – analogicznie jak argument funkcji ts(). Przypomnijmy: okres oznacza tu kwartał.

W tym ćwiczeniu skorzystasz z kwartalnych danych o liczbie odwiedzających Melbourne (visnights[, "VICMetro"]), aby utworzyć trzy różne zbiory treningowe – pomijając odpowiednio ostatni 1, 2 i 3 lata. Przed rozpoczęciem ćwiczenia przejrzyj wczytane dane visnights w konsoli; pomoże ci to ustalić właściwą wartość parametru h (określającego liczbę wartości do prognozowania) w metodach prognozowania.

Następnie dla każdego zbioru treningowego oblicz prognozę na kolejny rok, a na koniec porównaj średni bezwzględny błąd procentowy (MAPE) prognoz za pomocą funkcji accuracy(). Zastanów się, dlaczego wartości MAPE tak bardzo się różnią.

Instrukcje

100 XP
  • Użyj funkcji window(), aby utworzyć trzy zbiory treningowe na podstawie visnights[,"VICMetro"], pomijając kolejno ostatni 1, 2 i 3 lata; nadaj im nazwy train1, train2 i train3. Ustaw parametr end odpowiednio dla każdego przypadku.
  • Oblicz prognozy na jeden rok dla każdego zbioru treningowego, używając metody snaive(). Nadaj im nazwy fc1, fc2 i fc3.
  • Wzorując się na przykładowym kodzie, porównaj wartości MAPE dla trzech zestawów prognoz za pomocą funkcji accuracy(), używając odpowiedniego zbioru testowego.