以 MAE、MSE 進行回溯測試

在這個練習中，你將透過回溯測試來評估模型效能。樣本外的預測準確度將以計算 MSE 與 MAE 進行評估。

你可以使用 sklearn.metrics 套件中的預先定義函式，輕鬆估計預測誤差 MSE 與 MAE。實際變異與預測變異已分別預先載入於 actual_var 與 forecast_var。

本練習屬於課程

Python 中的 GARCH 模型

檢視課程

練習說明

在 evaluate() 中，呼叫 sklean.metrics 對應的函式來計算 MAE。
在 evaluate() 中，呼叫 sklean.metrics 對應的函式來計算 MSE。
將變數傳入 evaluate()，以執行回溯測試。

動手互動練習

試著完成這個範例程式碼，體驗一下這個練習。

def evaluate(observation, forecast): 
    # Call sklearn function to calculate MAE
    mae = ____(observation, forecast)
    print('Mean Absolute Error (MAE): {:.3g}'.format(mae))
    # Call sklearn function to calculate MSE
    mse = ____(observation, forecast)
    print('Mean Squared Error (MSE): {:.3g}'.format(mse))
    return mae, mse

# Backtest model with MAE, MSE
evaluate(____, ____)

編輯並執行程式碼