So berechnen sie wmape in r (mit beispiel)

Eine der am häufigsten verwendeten Metriken zur Messung der Prognosegenauigkeit eines Modells ist WMAPE , was für gewichteten durchschnittlichen absoluten prozentualen Fehler steht.

Die Formel zur Berechnung von WMAPE lautet:

WMAPE = (Σ|y _i – ŷ _i |*w _i ) / (Σy _i *w _i ) * 100

Gold:

• Σ – ein Symbol, das „Summe“ bedeutet
• y _i – Der tatsächliche Wert der ^i-ten Beobachtung
• ŷ _i – Der vorhergesagte Wert der i- ^ten Beobachtung
• w _i – Das Gewicht der i- ^ten Beobachtung

Wir können die folgende Funktion definieren, um WMAPE in R zu berechnen:

 find_WMAPE <- function (y, yhat, w){
  return (sum(abs(y-yhat)*w)/sum(y*w)*100)
}

Das folgende Beispiel zeigt, wie Sie diese Funktion in der Praxis nutzen können.

Beispiel: Berechnung von WMAPE in R

Angenommen, wir haben den folgenden Datenrahmen in R, der Informationen über tatsächliche und prognostizierte Verkäufe für ein Einzelhandelsgeschäft enthält:

 #create dataset
data <- data. frame (actual=c(23, 37, 44, 47, 48, 48, 46, 43, 32, 27, 26, 24),
                   forecast=c(37, 40, 46, 44, 46, 50, 45, 44, 34, 30, 22, 23))

#view dataset
data

   current forecast
1 23 37
2 37 40
3 44 46
4 47 44
5 48 46
6 48 50
7 46 45
8 43 44
9 32 34
10 27 30
11 26 22
12 24 23

Um den WMAPE für die Differenz zwischen tatsächlichen und prognostizierten Verkäufen zu berechnen, können wir einen zu verwendenden Gewichtsvektor definieren und dann die WMAPE-Funktion verwenden, die wir zuvor definiert haben:

 #define function to calculate WMAPE
find_WMAPE <- function (y, yhat, w){
  return (sum(abs(y-yhat)*w)/sum(y*w)*100)
}

#define weights for each month
weights <- c(20, 20, 6, 6, 6, 6, 6, 6, 6, 6, 6, 6)

#calculate WMAPE
find_WMAPE(df$actual, df$predicted, weights)

[1] 13.27635

Der WMAPE für dieses Modell beträgt 13,27635 % .

Das heißt, der gewichtete durchschnittliche absolute prozentuale Fehler zwischen den vorhergesagten Verkaufswerten und den tatsächlichen Verkaufswerten beträgt 13,27635 %.

Beachten Sie, dass wir in diesem Beispiel den Werten für Januar und Februar viel größere Gewichtungen zugewiesen haben.

Abhängig von Ihrem speziellen Problem können Sie verschiedenen Beobachtungen basierend auf der Bedeutung jedes Fehlers in Ihrem Modell mehr oder weniger Gewichte zuweisen.

Zusätzliche Ressourcen

In den folgenden Tutorials wird erläutert, wie Sie andere häufige Aufgaben in R ausführen:

So berechnen Sie MAPE in R
So berechnen Sie SMAPE in R
So berechnen Sie RMSE in R