BaşlayınÜcretsiz başlayın

Zaman serisi çapraz doğrulaması için tsCV() kullanma

tsCV() fonksiyonu zaman serisi çapraz doğrulama hatalarını hesaplar. Zaman serisini, tahmin yöntemini ve tahmin ufkunu belirtmeni ister. Videoda kullanılan örnek şudur:

> e = tsCV(oil, forecastfunction = naive, h = 1)

Burada, tsCV() kullanarak goog verisine uygulanan naive() yöntemiyle, 8 adıma kadar MSE değerlerini hesaplayıp çizeceksin. Egzersizde ggplot2 görselleştirmeleri kullanılıyor; buna aşina olmayabilirsin ama kalan kısmı çıkarabilmen için yeterli kodu sağladık.

Dersteki tsCV() slaytlarına mutlaka göz at. goog verisi çalışma alanına yüklendi.

Bu egzersiz, kursun bir parçasıdır

R ile Tahminleme

Kursa Göz Atın

Egzersiz talimatları

  • goog verisini kullanarak ve naive() fonksiyonuyla tahmin yaparak, 8 adıma kadar olan çapraz doğrulama hatalarını hesapla. Bunu e değişkenine ata.
  • Her tahmin ufku için MSE değerlerini hesapla ve e içindeki eksik değerleri ikinci argümanı belirterek kaldır. MSE'yi hesaplamak için gereken ifade sağlandı.
  • Ortaya çıkan MSE değerlerini (y) tahmin ufkuna (x) karşı çiz. Fonksiyon bilgisini düşünerek ilerle: Eğer fonksiyon argümanları listesinde MSE = mse verilmişse, mse fonksiyonun dışında çalışma alanında var olan bir nesneye atıfta bulunmalı, MSE ise fonksiyonun içinde bu nesneyi ifade eden değişkendir.

Uygulamalı etkileşimli egzersiz

Bu egzersizi bu örnek kodu tamamlayarak deneyin.

# Compute cross-validated errors for up to 8 steps ahead
e <- tsCV(___, forecastfunction = ___, h = ___)

# Compute the MSE values and remove missing values
mse <- colMeans(e^2, na.rm = ___)

# Plot the MSE values against the forecast horizon
data.frame(h = 1:8, MSE = mse) %>%
  ggplot(aes(x = h, y = ___)) + geom_point()
Kodu Düzenle ve Çalıştır