BaşlayınÜcretsiz başlayın

SES ve naive

Bu egzersizde, 2. Bölümde öğrendiğin eğitim ve test kümeleri, subset() fonksiyonu ve accuracy() fonksiyonu bilgilerini kullanarak marathon verileri için SES ve naive tahminleri karşılaştıracaksın.

Daha önceki "Mevsimsellik içermeyen yöntemlerin tahmin doğruluğunu değerlendirme" egzersizinde naive ve ortalama tahminleri karşılaştırırken buna çok benzer bir şey yapmıştın.

Süreci hızlıca gözden geçirelim:

  1. Önce verilerini içe aktar ve yükle. Verinin ne kadarını eğitime, ne kadarını teste ayıracağına karar ver; kümeler birbirleriyle çakışmamalı.
  2. Tahmin fonksiyon(lar)ında argüman olarak kullanacağın bir eğitim kümesi oluşturmak için veriyi alt kümeye ayır. İstersen daha sonra kullanmak üzere bir test kümesi de oluşturabilirsin.
  3. Seçtiğin tahmin fonksiyon(lar)ıyla eğitim kümesi için tahminleri hesapla ve h değerini tahmin etmek istediğin gözlem sayısına (aynı zamanda test kümesinin uzunluğu) eşitle.
  4. Sonuçları görmek için accuracy() fonksiyonunu kullan; ilk argüman tahmin, ikinci argüman ise orijinal veri (veya test kümesi) olmalı.
  5. Çıktıdaki RMSE veya MAE gibi bir ölçüyü seçerek tahmin(ler)i değerlendir; daha küçük hata daha yüksek doğruluk demektir.

marathon verisi çalışma alanına yüklendi.

Bu egzersiz, kursun bir parçasıdır

R ile Tahminleme

Kursa Göz Atın

Egzersiz talimatları

  • subset() kullanarak, test için ayıracağın son 20 yıl dışındaki tüm yıllardan oluşan bir marathon eğitim kümesi oluştur.
  • Bu eğitim kümesi için SES ve naive tahminlerini hesapla ve sırasıyla fcses ve fcnaive değişkenlerine kaydet.
  • Konsolunda accuracy() fonksiyonunu kullanarak iki tahmin kümesinin doğruluk ölçümlerini hesapla.
  • RMSE'ye göre en iyi tahminleri (fcses veya fcnaive) seçip fcbest değişkenine ata.

Uygulamalı etkileşimli egzersiz

Bu egzersizi bu örnek kodu tamamlayarak deneyin.

# 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 <- ___
Kodu Düzenle ve Çalıştır