1. Learn
    2. /
  2. Courses
    3. /
  3. Prognozowanie w R
Connected

Exercise

SES a metoda naiwna

W tym ćwiczeniu wykorzystasz wiedzę o zbiorach treningowych i testowych, funkcji subset() oraz funkcji accuracy() – wszystko to poznałeś w rozdziale 2 – aby porównać prognozy SES i prognozy naiwne dla danych marathon.

Coś bardzo podobnego robiłeś już wcześniej, porównując prognozy naiwne i prognozę średnią w ćwiczeniu „Ocena dokładności prognoz dla metod niesezonowych".

Przyjrzyjmy się temu procesowi krok po kroku:

  1. Najpierw wczytaj dane. Zdecyduj, jaką część chcesz przeznaczyć na trening, a jaką na testowanie – zbiory te nie powinny się pokrywać.
  2. Wyodrębnij dane, tworząc zbiór treningowy, który posłuży jako argument funkcji prognozowania. Opcjonalnie możesz też od razu przygotować zbiór testowy.
  3. Oblicz prognozy na podstawie zbioru treningowego, korzystając z wybranych funkcji prognozowania. Parametr h ustaw równy liczbie wartości, które chcesz prognozować – czyli długości zbioru testowego.
  4. Aby zobaczyć wyniki, użyj funkcji accuracy(), podając prognozę jako pierwszy argument, a oryginalne dane (lub zbiór testowy) jako drugi.
  5. Wybierz miarę błędu z wyników, np. RMSE lub MAE, i oceń dokładność prognoz – im mniejszy błąd, tym lepsza prognoza.

Dane marathon są już wczytane do twojego środowiska pracy.

Instructions

100 XP
  • Korzystając z funkcji subset(), utwórz zbiór treningowy dla danych marathon, obejmujący wszystkie lata z wyjątkiem ostatnich 20, które zarezerwujesz na testowanie.
  • Oblicz prognozy SES i prognozy naiwne na podstawie tego zbioru treningowego i zapisz je odpowiednio jako fcses oraz fcnaive.
  • W konsoli oblicz miary dokładności obu zestawów prognoz, używając funkcji accuracy().
  • Przypisz do fcbest lepszą prognozę (czyli fcses lub fcnaive) na podstawie wartości RMSE.