时间系列预测评估

原创

已于 2022-07-06 14:00:23 修改 · 928 阅读

·

0

·

于 2022-06-16 16:55:46 首次发布

时间序列预测在多个领域有广泛应用，如预测销售量。Darts库提供了多种评估指标，如MSE、RMSE、MAE、MAPE和SMAPE等。在处理预测值与真实值范围波动大或存在零值的情况时，SMAPE和加权SMAPE（WSMAPE）成为更好的选择。文章提供Pandas和Spark DataFrame计算这些指标的代码示例。

时间系列预测（time series prediction）问题简单来说，就是给定基于时间系列的历史数据，我们去预测未来时间系列的值。这个一个很典型的问题，并且在很多的应用中都会使用到。比如我们生产销售一种产品，我们知道过去一段时间每天的实际销量，然后我们想预测未来一个月一个季度一年的销售量从而为生产或者备货做指导。这个链接有更详细地介绍这个问题以及预测的方法。那么在这么多种预测方法中，哪种更我们我们的场景呢？我们需要一种方式来评估预测的好坏。

Darts工具中也提供了很多评估的函数。这里我们介绍一些常用的评估函数。

MSE (mean squared error)

$MSE=\frac{1}{n} \sum \left ( forecast_{i}-actual_{i} \right )^{2}$

RMSE (root mean square error)

$RMSE=\frac{1}{n}\sqrt{ \sum \left ( forecast_{i}-actual_{i} \right )^{2}}$

MAE (mean absolute error)

$MAE=\sum {\frac{\left | forecast_{i} - actual_{i}\right |}{n}}$

MAPE (mean absolute percentage error)

$MAPE=\frac{1}{n}\sum \frac{\left | forecast_{i} - actual_{i} \right |}{actual_{i}}$

SMAPE (sysmetric mean absolute percentage error)

$SMAPE=\frac{1}{n} \sum_{i=1}^{n}\frac{2*\left | forecast_{i} - actual_{i} \right |}{\left | forecast_{i}\right | + \left | actual_{i} \right |}$

LG

$LG=\frac{1}{n}\sum log_{10}\frac{forecast_{i}}{actual_{i}}$

我们这里现在遇到的情况是我们希望预测的值尽可能的靠近真

标签

#数据挖掘 #数据分析 #databricks

最低0.47元/天解锁文章

评论 1

被折叠的条评论为什么被折叠?

到【灌水乐园】发言

查看更多评论

添加红包

成就一亿技术人!

hope_wisdom

发出的红包

实付元

使用余额支付

点击重新获取

扫码支付

钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。