Cara menghitung wmape di r (dengan contoh)

Salah satu metrik yang paling umum digunakan untuk mengukur keakuratan perkiraan model adalah WMAPE , yang merupakan singkatan dari persentase kesalahan absolut rata-rata tertimbang .

Rumus untuk menghitung WMAPE adalah:

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

Emas:

• Σ – simbol yang berarti “jumlah”
• y _i – Nilai sebenarnya dari observasi ^ke-i
• ŷ _i – Nilai prediksi observasi ^ke -i
• w _i – Bobot ^pengamatan ke-i

Kita dapat mendefinisikan fungsi berikut untuk menghitung WMAPE di R:

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

Contoh berikut menunjukkan cara menggunakan fungsi ini dalam praktiknya.

Contoh: menghitung WMAPE di R

Misalkan kita memiliki kerangka data berikut di R yang berisi informasi tentang penjualan aktual dan perkiraan untuk toko ritel:

 #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

Untuk menghitung WMAPE selisih antara penjualan aktual dan perkiraan, kita dapat menentukan vektor bobot yang akan digunakan, lalu menggunakan fungsi WMAPE yang telah kita definisikan sebelumnya:

 #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

WMAPE untuk model ini ternyata 13,27635% .

Artinya, persentase kesalahan absolut rata-rata tertimbang antara nilai penjualan yang diprediksi dengan nilai penjualan sebenarnya adalah 13,27635%.

Perhatikan bahwa kami memberikan bobot yang jauh lebih besar pada nilai bulan Januari dan Februari dalam contoh ini.

Bergantung pada masalah khusus Anda, Anda dapat menetapkan bobot yang lebih besar atau lebih kecil pada pengamatan yang berbeda berdasarkan pentingnya setiap kesalahan dalam model Anda.

Sumber daya tambahan

Tutorial berikut menjelaskan cara melakukan tugas umum lainnya di R:

Cara menghitung MAPE di R
Cara menghitung SMAPE di R
Cara menghitung RMSE di R