<\/p>\n
Eine der am h\u00e4ufigsten verwendeten Metriken zur Messung der Prognosegenauigkeit eines Modells ist WMAPE<\/strong> , was f\u00fcr gewichteten durchschnittlichen absoluten prozentualen Fehler<\/strong> steht.<\/span><\/p>\n Die Formel zur Berechnung von WMAPE lautet:<\/span><\/p>\n WMAPE<\/strong> = (\u03a3|y i<\/sub> \u2013 \u0177 i<\/sub> |*w i<\/sub> ) \/ (\u03a3y i<\/sub> *w i<\/sub> ) * 100<\/span><\/p>\n Gold:<\/span><\/p>\n Wir k\u00f6nnen die folgende Funktion definieren, um WMAPE in R zu berechnen:<\/span><\/p>\n Das folgende Beispiel zeigt, wie Sie diese Funktion in der Praxis nutzen k\u00f6nnen.<\/span><\/p>\n Angenommen, wir haben den folgenden Datenrahmen in R, der Informationen \u00fcber tats\u00e4chliche und prognostizierte Verk\u00e4ufe f\u00fcr ein Einzelhandelsgesch\u00e4ft enth\u00e4lt:<\/span><\/p>\n Um den WMAPE f\u00fcr die Differenz zwischen tats\u00e4chlichen und prognostizierten Verk\u00e4ufen zu berechnen, k\u00f6nnen wir einen zu verwendenden Gewichtsvektor definieren und dann die WMAPE-Funktion verwenden, die wir zuvor definiert haben:<\/span><\/p>\n Der WMAPE f\u00fcr dieses Modell betr\u00e4gt 13,27635 %<\/strong> .<\/span><\/p>\n Das hei\u00dft, der gewichtete durchschnittliche absolute prozentuale Fehler zwischen den vorhergesagten Verkaufswerten und den tats\u00e4chlichen Verkaufswerten betr\u00e4gt 13,27635 %.<\/span><\/p>\n Beachten Sie, dass wir in diesem Beispiel den Werten f\u00fcr Januar und Februar viel gr\u00f6\u00dfere Gewichtungen zugewiesen haben.<\/span><\/p>\n Abh\u00e4ngig von Ihrem speziellen Problem k\u00f6nnen Sie verschiedenen Beobachtungen basierend auf der Bedeutung jedes Fehlers in Ihrem Modell mehr oder weniger Gewichte zuweisen.<\/span><\/p>\n In den folgenden Tutorials wird erl\u00e4utert, wie Sie andere h\u00e4ufige Aufgaben in R ausf\u00fchren:<\/span><\/p>\n So berechnen Sie MAPE in R<\/a> Eine der am h\u00e4ufigsten verwendeten Metriken zur Messung der Prognosegenauigkeit eines Modells ist WMAPE , was f\u00fcr gewichteten durchschnittlichen absoluten prozentualen Fehler steht. Die Formel zur Berechnung von WMAPE lautet: WMAPE = (\u03a3|y i \u2013 \u0177 i |*w i ) \/ (\u03a3y i *w i ) * 100 Gold: \u03a3 \u2013 ein Symbol, das \u201eSumme\u201c […]<\/p>\n","protected":false},"author":1,"featured_media":0,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"footnotes":""},"categories":[11],"tags":[],"yoast_head":"\n\n
find_WMAPE <- function<\/span> (y, yhat, w){\n return<\/span> (sum(abs(y-yhat)*w)\/sum(y*w)*100)\n}\n<\/strong><\/pre>\n Beispiel: Berechnung von WMAPE in R<\/strong><\/span><\/h2>\n
#create dataset<\/span>\ndata <- data. frame<\/span> (actual=c(23, 37, 44, 47, 48, 48, 46, 43, 32, 27, 26, 24),\n forecast=c(37, 40, 46, 44, 46, 50, 45, 44, 34, 30, 22, 23))\n\n#view dataset<\/span>\ndata\n\n current forecast\n1 23 37\n2 37 40\n3 44 46\n4 47 44\n5 48 46\n6 48 50\n7 46 45\n8 43 44\n9 32 34\n10 27 30\n11 26 22\n12 24 23\n<\/strong><\/pre>\n #define function to calculate WMAPE\n<\/span>find_WMAPE <- function<\/span> (y, yhat, w){\n return<\/span> (sum(abs(y-yhat)*w)\/sum(y*w)*100)\n}\n\n#define weights for each month\n<\/span>weights <- c(20, 20, 6, 6, 6, 6, 6, 6, 6, 6, 6, 6)\n\n#calculate WMAPE\n<\/span>find_WMAPE(df$actual, df$predicted, weights)\n\n[1] 13.27635\n<\/strong><\/pre>\n Zus\u00e4tzliche Ressourcen<\/strong><\/span><\/h2>\n
So berechnen Sie SMAPE in R<\/a>
So berechnen Sie RMSE in R<\/a><\/p>\n","protected":false},"excerpt":{"rendered":"