<\/p>\n
Een van de meest gebruikte maatstaven om de voorspellingsnauwkeurigheid van een model te meten is WMAPE<\/strong> , wat staat voor gewogen gemiddelde absolute procentuele fout<\/strong> .<\/span><\/p>\n De formule om WMAPE te berekenen is:<\/span><\/p>\n WMAPE<\/strong> = (\u03a3|y ik<\/sub> \u2013 \u0177 ik<\/sub> |*w ik<\/sub> ) \/ (\u03a3y ik<\/sub> *w ik<\/sub> ) * 100<\/span><\/p>\n Goud:<\/span><\/p>\n We kunnen de volgende functie defini\u00ebren om WMAPE in R te berekenen:<\/span><\/p>\n Het volgende voorbeeld laat zien hoe u deze functie in de praktijk kunt gebruiken.<\/span><\/p>\n Stel dat we het volgende gegevensframe in R hebben dat informatie bevat over de werkelijke en verwachte verkopen voor een winkel:<\/span><\/p>\n Om de WMAPE te berekenen voor het verschil tussen werkelijke en voorspelde verkopen, kunnen we een vector van gewichten defini\u00ebren die we moeten gebruiken, en vervolgens de WMAPE-functie gebruiken die we eerder hebben gedefinieerd:<\/span><\/p>\n De WMAPE voor dit model blijkt 13,27635%<\/strong> te zijn.<\/span><\/p>\n Dat wil zeggen dat de gewogen gemiddelde absolute procentuele fout tussen de voorspelde verkoopwaarden en de werkelijke verkoopwaarden 13,27635% bedraagt.<\/span><\/p>\n Merk op dat we in dit voorbeeld veel grotere gewichten hebben toegekend aan de waarden van januari en februari.<\/span><\/p>\n Afhankelijk van uw specifieke probleem kunt u grotere of kleinere gewichten toekennen aan verschillende waarnemingen, op basis van het belang van elke fout in uw model.<\/span><\/p>\n In de volgende tutorials wordt uitgelegd hoe u andere veelvoorkomende taken in R kunt uitvoeren:<\/span><\/p>\n Hoe MAPE in R te berekenen<\/a> Een van de meest gebruikte maatstaven om de voorspellingsnauwkeurigheid van een model te meten is WMAPE , wat staat voor gewogen gemiddelde absolute procentuele fout . De formule om WMAPE te berekenen is: WMAPE = (\u03a3|y ik \u2013 \u0177 ik |*w ik ) \/ (\u03a3y ik *w ik ) * 100 Goud: \u03a3 \u2013 een […]<\/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-3968","post","type-post","status-publish","format-standard","hentry","category-gids"],"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 Voorbeeld: WMAPE berekenen 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 Aanvullende bronnen<\/strong><\/span><\/h2>\n
Hoe SMAPE in R te berekenen<\/a>
Hoe RMSE in R te berekenen<\/a><\/p>\n","protected":false},"excerpt":{"rendered":"