R in naive forecasting ကို ဥပမာများဖြင့် ပြုလုပ်နည်း

နုံအသောခန့်မှန်းချက် ဆိုသည်မှာ ပေးထားသောကာလတစ်ခုအတွက် ခန့်မှန်းချက်သည် ယခင်ကာလကတွေ့ရှိခဲ့သည့်တန်ဖိုးနှင့် ရိုးရှင်းစွာတူညီပါသည်။

ဥပမာအားဖြင့်၊ ယခုနှစ် ပထမသုံးလအတွင်း ကျွန်ုပ်တို့တွင် ပေးထားသော ထုတ်ကုန်တစ်ခု၏ ရောင်းအားမှာ အောက်ပါအတိုင်းဖြစ်သည်ဆိုပါစို့။

ဧပြီလ အရောင်းခန့်မှန်းချက်သည် ယခင်မတ်လအတွက် အမှန်တကယ်ရောင်းအားနှင့် ညီမျှသည်-

ဤနည်းလမ်းသည် ရိုးရှင်းသော်လည်း လက်တွေ့တွင် အံ့အားသင့်ဖွယ်ကောင်းသည်။

ဤသင်ခန်းစာသည် R တွင် နုံချာသော ကြိုတင်ခန့်မှန်းချက်များကို လုပ်ဆောင်ပုံအဆင့်ဆင့် ဥပမာကို ပေးသည်။

အဆင့် 1: ဒေတာကိုထည့်ပါ။

ဦးစွာ၊ ကျွန်ုပ်တို့သည် စိတ်ကူးယဉ်ကုမ္ပဏီတစ်ခုတွင် 12 လတာကာလအတွင်း အရောင်းဒေတာကို ထည့်သွင်းပါမည်-

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

အဆင့် 2- နုံချာသော ခန့်မှန်းချက်များကို ဖန်တီးပါ။

ထို့နောက်၊ လတိုင်းအတွက် နုံအသော ခန့်မှန်းချက်များကို ဖန်တီးရန် အောက်ပါဖော်မြူလာများကို အသုံးပြုပါမည်။

 #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

ကျွန်ုပ်တို့သည် ပထမဆုံးခန့်မှန်းတန်ဖိုးအတွက် NA ကို ရိုးရိုးရှင်းရှင်းသုံးကြောင်း သတိပြုပါ။

အဆင့် 3- ခန့်မှန်းချက်တိကျမှုကို တိုင်းတာပါ။

နောက်ဆုံးအနေနဲ့ ခန့်မှန်းချက်တွေရဲ့ တိကျမှုကို တိုင်းတာရမယ်။ တိကျမှုကို တိုင်းတာရာတွင် အသုံးပြုလေ့ရှိသော မက်ထရစ်နှစ်ခု ပါဝင်သည်-

• ပျမ်းမျှ အကြွင်းမဲ့ ရာခိုင်နှုန်း အမှား (MAPE)
• ပျမ်းမျှ အကြွင်းမဲ့ အမှား (MAE)

မက်ထရစ်နှစ်ခုလုံးကို တွက်ချက်ရန် အောက်ပါကုဒ်ကို အသုံးပြုနိုင်သည်။

 #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

ပျမ်းမျှ ပကတိ အမှားအယွင်းသည် 9.898% ဖြစ်ပြီး ပျမ်းမျှ ပကတိ အမှားမှာ 3.45 ဖြစ်သည်။

ဤခန့်မှန်းချက်သည် အသုံးဝင်ခြင်းရှိ၊ မရှိ သိရှိရန်၊ ၎င်းကို အခြားခန့်မှန်းချက်ပုံစံများနှင့် နှိုင်းယှဉ်ကာ တိုင်းတာမှုတိကျမှု ပိုကောင်းသည် သို့မဟုတ် ပိုဆိုးခြင်းရှိမရှိ ကြည့်ရှုနိုင်ပါသည်။

အဆင့် 4- ခန့်မှန်းချက်ကို မြင်ယောင်ကြည့်ပါ။

နောက်ဆုံးတွင်၊ ကာလတစ်ခုစီအတွင်း အမှန်တကယ်ရောင်းအားနှင့် နုံအသောအရောင်းခန့်မှန်းချက်များကြား ခြားနားချက်များကို မြင်သာစေရန် ရိုးရှင်းသောမျဉ်းကွက်တစ်ခုကို ဖန်တီးနိုင်သည်-

 #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)

ခန့်မှန်းထားသော ရောင်းလိုင်းသည် အခြေခံအားဖြင့် အမှန်တကယ် ရောင်းချသည့်လိုင်း၏ ပြောင်းထားသောဗားရှင်းဖြစ်ကြောင်း သတိပြုပါ။

နုံချာသောခန့်မှန်းချက်သည် လက်ရှိကာလတွင်ရောင်းအား ယခင်ကာလကရောင်းအားနှင့်ညီမျှမည်ဟု ရိုးရိုးရှင်းရှင်းခန့်မှန်းထားသောကြောင့် ကျွန်ုပ်တို့မျှော်လင့်ထားသည်မှာ အတိအကျပင်ဖြစ်သည်။

ထပ်လောင်းအရင်းအမြစ်များ

R ဖြင့် MAE တွက်နည်း
MAPE ကို R ဖြင့် တွက်နည်း
MAPE အတွက် ကောင်းသောတန်ဖိုးဟု အဘယ်အရာက ယူဆသနည်း။