Za\u0142\u00f3\u017cmy przyk\u0142adowo, \u017ce w pierwszych trzech miesi\u0105cach roku mamy nast\u0119puj\u0105c\u0105 sprzeda\u017c danego produktu:<\/span> <\/p>\n Prognoza sprzeda\u017cy na kwiecie\u0144 by\u0142aby po prostu r\u00f3wna rzeczywistej sprzeda\u017cy z poprzedniego marca:<\/span> <\/p>\n Chocia\u017c metoda ta jest prosta, w praktyce sprawdza si\u0119 zaskakuj\u0105co dobrze.<\/span><\/p>\n W tym samouczku przedstawiono krok po kroku przyk\u0142ad wykonywania naiwnych prognoz w j\u0119zyku R.<\/span><\/p>\n Najpierw wprowadzimy dane sprzeda\u017cowe w wyimaginowanej firmie za okres 12 miesi\u0119cy:<\/span><\/p>\n Nast\u0119pnie u\u017cyjemy nast\u0119puj\u0105cych formu\u0142, aby utworzy\u0107 naiwne prognozy na ka\u017cdy miesi\u0105c:<\/span><\/p>\n Nale\u017cy zauwa\u017cy\u0107, \u017ce po prostu u\u017cyli\u015bmy NA<\/strong> dla pierwszej przewidywanej warto\u015bci.<\/span><\/p>\n Na koniec musimy zmierzy\u0107 dok\u0142adno\u015b\u0107 prognoz. Dwie popularne metryki u\u017cywane do pomiaru dok\u0142adno\u015bci obejmuj\u0105:<\/span><\/p>\n Do obliczenia obu wska\u017anik\u00f3w mo\u017cemy u\u017cy\u0107 nast\u0119puj\u0105cego kodu:<\/span><\/p>\n \u015aredni bezwzgl\u0119dny b\u0142\u0105d procentowy wynosi 9,898%<\/strong> , a \u015bredni bezwzgl\u0119dny b\u0142\u0105d wynosi 3,45.<\/strong><\/span><\/p>\n Aby dowiedzie\u0107 si\u0119, czy ta prognoza jest przydatna, mo\u017cemy por\u00f3wna\u0107 j\u0105 z innymi modelami prognostycznymi i sprawdzi\u0107, czy dok\u0142adno\u015b\u0107 pomiaru jest lepsza, czy gorsza.<\/span><\/p>\n Na koniec mo\u017cemy stworzy\u0107 prosty wykres liniowy, aby zwizualizowa\u0107 r\u00f3\u017cnice mi\u0119dzy rzeczywist\u0105 sprzeda\u017c\u0105 a naiwnymi prognozami sprzeda\u017cy w ka\u017cdym okresie:<\/span> <\/p>\n Nale\u017cy pami\u0119ta\u0107, \u017ce przewidywana linia sprzeda\u017cy jest zasadniczo przesuni\u0119t\u0105 wersj\u0105 rzeczywistej linii sprzeda\u017cy.<\/span><\/p>\n Tego w\u0142a\u015bnie by\u015bmy si\u0119 spodziewali, poniewa\u017c naiwna prognoza przewiduje po prostu, \u017ce sprzeda\u017c w bie\u017c\u0105cym okresie zr\u00f3wna si\u0119 ze sprzeda\u017c\u0105 w okresie poprzednim.<\/span><\/p>\n Jak obliczy\u0107 MAE w R<\/a> Prognoza naiwna to taka, w kt\u00f3rej prognoza na dany okres jest po prostu r\u00f3wna warto\u015bci obserwowanej w okresie poprzednim. Za\u0142\u00f3\u017cmy przyk\u0142adowo, \u017ce w pierwszych trzech miesi\u0105cach roku mamy nast\u0119puj\u0105c\u0105 sprzeda\u017c danego produktu: Prognoza sprzeda\u017cy na kwiecie\u0144 by\u0142aby po prostu r\u00f3wna rzeczywistej sprzeda\u017cy z poprzedniego marca: Chocia\u017c metoda ta jest prosta, w praktyce sprawdza si\u0119 zaskakuj\u0105co […]<\/p>\n","protected":false},"author":1,"featured_media":0,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"footnotes":""},"categories":[3],"tags":[],"class_list":["post-1628","post","type-post","status-publish","format-standard","hentry","category-przewodnik"],"yoast_head":"\n![\"\"](\"https:\/\/statorials.org\/wp-content\/uploads\/2023\/08\/naive_forecast1.png\")
<\/p>\n![\"Przyk\u0142ad](\"https:\/\/statorials.org\/wp-content\/uploads\/2023\/08\/naive_forecast2.png\")
<\/p>\n Krok 1: Wprowad\u017a dane<\/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 Krok 2: generuj naiwne prognozy<\/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 Krok 3: Zmierz dok\u0142adno\u015b\u0107 prognozy<\/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 Krok 4: Wizualizuj prognoz\u0119<\/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![\"Naiwne](\"https:\/\/statorials.org\/wp-content\/uploads\/2023\/08\/naifr1.png\")
<\/p>\n Dodatkowe zasoby<\/strong><\/span><\/h3>\n
Jak obliczy\u0107 MAPE w R<\/a>
Co jest uwa\u017cane za dobr\u0105 warto\u015b\u0107 dla MAPE?<\/a><\/p>\n","protected":false},"excerpt":{"rendered":"