Kom igångKom igång gratis

SES vs naiv

I den här övningen använder du dina kunskaper om tränings- och testuppsättningar, funktionen subset() och funktionen accuracy() – allt du lärde dig i kapitel 2 – för att jämföra SES-prognoser och naiva prognoser för datamängden marathon.

Du gjorde något liknande tidigare när du jämförde naiva prognoser och medelvärdesbaserade prognoser i övningen "Evaluating forecast accuracy of non-seasonal methods".

Här är en genomgång av processen:

  1. Importera och läs in dina data. Bestäm hur stor andel du vill använda för träning respektive testning – de två uppsättningarna ska inte överlappa.
  2. Dela upp datan för att skapa en träningsuppsättning, som du sedan använder som argument i dina prognosfunktioner. Du kan också skapa en testuppsättning att använda senare.
  3. Beräkna prognoser för träningsuppsättningen med de prognosfunktioner du väljer, och sätt h till det antal värden du vill prognostisera – vilket också är längden på testuppsättningen.
  4. Använd funktionen accuracy() för att visa resultaten, med prognosen som första argument och originaldata (eller testuppsättningen) som andra.
  5. Välj ett mått i utdata, till exempel RMSE eller MAE, för att utvärdera prognoserna – ett lägre felvärde innebär högre noggrannhet.

Datamängden marathon är inläst i din arbetsmiljö.

Den här övningen är en del av kursen

Prognoser i R

Visa kurs

Övningsinstruktioner

  • Använd subset() för att skapa en träningsuppsättning för marathon som omfattar alla utom de sista 20 åren av datan, vilka du reserverar för testning.
  • Beräkna SES- och naiva prognoser för träningsuppsättningen och spara dem i fcses respektive fcnaive.
  • Beräkna noggrannhetsmått för de två prognosuppsättningarna med funktionen accuracy() i konsolen.
  • Tilldela de bästa prognoserna (antingen fcses eller fcnaive) baserat på RMSE till fcbest.

Interaktiv övning med praktiskt arbete

Testa den här övningen genom att slutföra den här exempelkoden.

# 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 <- ___
Redigera och kör kod