Stel dat we bijvoorbeeld de volgende verkopen van een bepaald product hebben gedurende de eerste drie maanden van het jaar:<\/span> <\/p>\n De verkoopvoorspelling voor april zou eenvoudigweg gelijk zijn aan de werkelijke verkoop van maart daarvoor:<\/span> <\/p>\n Hoewel deze methode eenvoudig is, blijkt deze in de praktijk verrassend goed te werken.<\/span><\/p>\n Deze tutorial biedt een stapsgewijs voorbeeld van hoe u na\u00efeve prognoses kunt uitvoeren in R.<\/span><\/p>\n Eerst voeren we verkoopgegevens in over een periode van twaalf maanden bij een denkbeeldig bedrijf:<\/span><\/p>\n Vervolgens zullen we de volgende formules gebruiken om na\u00efeve voorspellingen voor elke maand te maken:<\/span><\/p>\n Merk op dat we eenvoudigweg NA<\/strong> hebben gebruikt voor de eerste voorspelde waarde.<\/span><\/p>\n Ten slotte moeten we de nauwkeurigheid van de voorspellingen meten. Twee veelgebruikte statistieken die worden gebruikt om de nauwkeurigheid te meten, zijn onder meer:<\/span><\/p>\n We kunnen de volgende code gebruiken om beide statistieken te berekenen:<\/span><\/p>\n De gemiddelde absolute procentuele fout is 9,898%<\/strong> en de gemiddelde absolute fout is 3,45.<\/strong><\/span><\/p>\n Om erachter te komen of deze voorspelling nuttig is, kunnen we deze vergelijken met andere voorspellingsmodellen en kijken of de meetnauwkeurigheid beter of slechter is.<\/span><\/p>\n Ten slotte kunnen we een eenvoudig lijnendiagram maken om de verschillen tussen de werkelijke verkopen en na\u00efeve verkoopprognoses gedurende elke periode te visualiseren:<\/span> <\/p>\n Merk op dat de voorspelde verkooplijn in wezen een verschoven versie is van de werkelijke verkooplijn.<\/span><\/p>\n Dit is precies wat we zouden verwachten, aangezien de na\u00efeve voorspelling eenvoudigweg voorspelt dat de omzet in de huidige periode gelijk zal zijn aan de omzet in de voorgaande periode.<\/span><\/p>\n Hoe MAE in R te berekenen<\/a> Een na\u00efeve voorspelling is een voorspelling waarbij de voorspelling voor een bepaalde periode eenvoudigweg gelijk is aan de waarde die in de voorgaande periode is waargenomen. Stel dat we bijvoorbeeld de volgende verkopen van een bepaald product hebben gedurende de eerste drie maanden van het jaar: De verkoopvoorspelling voor april zou eenvoudigweg gelijk zijn aan […]<\/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":[],"class_list":["post-1630","post","type-post","status-publish","format-standard","hentry","category-gids"],"yoast_head":"\n![\"\"](\"https:\/\/statorials.org\/wp-content\/uploads\/2023\/08\/naive_forecast1.png\")
<\/p>\n![\"Voorbeeld](\"https:\/\/statorials.org\/wp-content\/uploads\/2023\/08\/naive_forecast2.png\")
<\/p>\n Stap 1: Voer de gegevens in<\/strong><\/span><\/h3>\n
#create vector to hold actual sales data<\/span>\nactual <- c(34, 37, 44, 47, 48, 48, 46, 43, 32, 27, 26, 24)\n<\/strong><\/pre>\n Stap 2: genereer na\u00efeve voorspellingen<\/strong><\/span><\/h3>\n
#generate naive forecasts<\/span>\nforecast <- c(NA, actual[- length<\/span> (actual)])\n\n#view naive forecasts<\/span>\nforecast\n\n[1] NA 34 37 44 47 48 48 46 43 32 27 26\n<\/strong><\/pre>\n Stap 3: Meet de nauwkeurigheid van de voorspelling<\/strong><\/span><\/h3>\n
\n
#calculate MAPE\n<\/span>mean(abs((actual-forecast)\/actual), na. rm<\/span> = T<\/span> ) * 100\n\n[1] 9.898281\n\n#calculate MAE\n<\/span>mean(abs(actual-forecast), na. rm<\/span> = T<\/span> )\n\n[1] 3.454545\n<\/strong><\/pre>\n Stap 4: Visualiseer de voorspelling<\/strong><\/span><\/h3>\n
#plot actual sales\n<\/span>plot(actual, type=' l<\/span> ', col = ' red<\/span> ', main=' Actual vs. Forecasted Sales<\/span> ',\n xlab=' Sales Period<\/span> ', ylab=' Sales<\/span> ')\n\n#add line for forecasted sales\n<\/span>lines(forecast, type=' l<\/span> ', col = ' blue<\/span> ')\n\n#add legend\n<\/span>legend(' topright<\/span> ', legend=c(' Actual<\/span> ', ' Forecasted<\/span> '),\n col=c(' red<\/span> ', ' blue<\/span> '), lty=1)\n<\/strong><\/pre>\n![\"Na\u00efeve](\"https:\/\/statorials.org\/wp-content\/uploads\/2023\/08\/naifr1.png\")
<\/p>\n Aanvullende bronnen<\/strong><\/span><\/h3>\n
Hoe MAPE in R te berekenen<\/a>
Wat wordt als een goede waarde voor MAPE beschouwd?<\/a><\/p>\n","protected":false},"excerpt":{"rendered":"