So führen sie naive prognosen in r durch: mit beispielen

Eine naive Prognose ist eine Prognose, bei der die Prognose für einen bestimmten Zeitraum einfach dem in der vorherigen Periode beobachteten Wert entspricht.

Angenommen, wir haben in den ersten drei Monaten des Jahres die folgenden Verkäufe eines bestimmten Produkts:

Die Umsatzprognose für April würde einfach den tatsächlichen Verkäufen für den vorangegangenen März entsprechen:

Obwohl diese Methode einfach ist, funktioniert sie in der Praxis meist überraschend gut.

Dieses Tutorial bietet ein schrittweises Beispiel für die Durchführung naiver Prognosen in R.

Schritt 1: Geben Sie die Daten ein

Zunächst geben wir Umsatzdaten über einen Zeitraum von 12 Monaten bei einem imaginären Unternehmen ein:

 #create vector to hold actual sales data
actual <- c(34, 37, 44, 47, 48, 48, 46, 43, 32, 27, 26, 24)

Schritt 2: Naive Prognosen erstellen

Als Nächstes verwenden wir die folgenden Formeln, um naive Prognosen für jeden Monat zu erstellen:

 #generate naive forecasts
forecast <- c(NA, actual[- length (actual)])

#view naive forecasts
forecast

[1] NA 34 37 44 47 48 48 46 43 32 27 26

Beachten Sie, dass wir einfach NA für den ersten vorhergesagten Wert verwendet haben.

Schritt 3: Prognosegenauigkeit messen

Schließlich müssen wir die Genauigkeit der Prognosen messen. Zwei gängige Metriken zur Messung der Genauigkeit sind:

• Mittlerer absoluter prozentualer Fehler (MAPE)
• Mittlerer absoluter Fehler (MAE)

Wir können den folgenden Code verwenden, um beide Metriken zu berechnen:

 #calculate MAPE
mean(abs((actual-forecast)/actual), na. rm = T ) * 100

[1] 9.898281

#calculate MAE
mean(abs(actual-forecast), na. rm = T )

[1] 3.454545

Der durchschnittliche absolute prozentuale Fehler beträgt 9,898 % und der durchschnittliche absolute Fehler beträgt 3,45.

Um herauszufinden, ob diese Prognose nützlich ist, können wir sie mit anderen Prognosemodellen vergleichen und sehen, ob die Messgenauigkeit besser oder schlechter ist.

Schritt 4: Visualisieren Sie die Prognose

Schließlich können wir ein einfaches Liniendiagramm erstellen, um die Unterschiede zwischen tatsächlichen Verkäufen und naiven Umsatzprognosen in jedem Zeitraum zu visualisieren:

 #plot actual sales
plot(actual, type=' l ', col = ' red ', main=' Actual vs. Forecasted Sales ',
     xlab=' Sales Period ', ylab=' Sales ')

#add line for forecasted sales
lines(forecast, type=' l ', col = ' blue ')

#add legend
legend(' topright ', legend=c(' Actual ', ' Forecasted '),
       col=c(' red ', ' blue '), lty=1)

Beachten Sie, dass die vorhergesagte Verkaufslinie im Wesentlichen eine verschobene Version der tatsächlichen Verkaufslinie ist.

Dies ist genau das, was wir erwarten würden, da die naive Prognose einfach vorhersagt, dass die Umsätze in der aktuellen Periode den Umsätzen in der vorherigen Periode entsprechen werden.

Zusätzliche Ressourcen

So berechnen Sie MAE in R
So berechnen Sie MAPE in R
Was gilt als guter Wert für MAPE?