<\/p>\n
Jedn\u0105 z najcz\u0119\u015bciej u\u017cywanych metryk do pomiaru dok\u0142adno\u015bci prognozy modelu jest WMAPE<\/strong> , co oznacza \u015bredni wa\u017cony bezwzgl\u0119dny b\u0142\u0105d procentowy<\/strong> .<\/span><\/p>\n Wz\u00f3r do obliczenia WMAPE to:<\/span><\/p>\n WMAPE<\/strong> = (\u03a3|y i<\/sub> \u2013 \u0177 i<\/sub> |*w i<\/sub> ) \/ (\u03a3y i<\/sub> *w i<\/sub> ) * 100<\/span><\/p>\n Z\u0142oto:<\/span><\/p>\n Mo\u017cemy zdefiniowa\u0107 nast\u0119puj\u0105c\u0105 funkcj\u0119 do obliczania WMAPE w R:<\/span><\/p>\n Poni\u017cszy przyk\u0142ad pokazuje, jak w praktyce wykorzysta\u0107 t\u0119 funkcj\u0119.<\/span><\/p>\n Za\u0142\u00f3\u017cmy, \u017ce mamy nast\u0119puj\u0105c\u0105 ramk\u0119 danych w R, kt\u00f3ra zawiera informacje o aktualnej i prognozowanej sprzeda\u017cy w sklepie detalicznym:<\/span><\/p>\n Aby obliczy\u0107 WMAPE dla r\u00f3\u017cnicy mi\u0119dzy rzeczywist\u0105 a prognozowan\u0105 sprzeda\u017c\u0105, mo\u017cemy zdefiniowa\u0107 wektor wag, kt\u00f3rych b\u0119dziemy u\u017cywa\u0107, a nast\u0119pnie skorzysta\u0107 z funkcji WMAPE, kt\u00f3r\u0105 zdefiniowali\u015bmy wcze\u015bniej:<\/span><\/p>\n WMAPE dla tego modelu okazuje si\u0119 wynosi\u0107 13,27635%<\/strong> .<\/span><\/p>\n Oznacza to, \u017ce \u015bredni wa\u017cony bezwzgl\u0119dny b\u0142\u0105d procentowy mi\u0119dzy przewidywanymi warto\u015bciami sprzeda\u017cy a rzeczywistymi warto\u015bciami sprzeda\u017cy wynosi 13,27635%.<\/span><\/p>\n Nale\u017cy pami\u0119ta\u0107, \u017ce w tym przyk\u0142adzie przypisali\u015bmy znacznie wi\u0119ksze wagi warto\u015bciom stycznia i lutego.<\/span><\/p>\n W zale\u017cno\u015bci od konkretnego problemu mo\u017cesz przypisa\u0107 wi\u0119ksze lub mniejsze wagi r\u00f3\u017cnym obserwacjom w oparciu o wag\u0119 ka\u017cdego b\u0142\u0119du w modelu.<\/span><\/p>\n Poni\u017csze samouczki wyja\u015bniaj\u0105, jak wykonywa\u0107 inne typowe zadania w j\u0119zyku R:<\/span><\/p>\n Jak obliczy\u0107 MAPE w R<\/a> Jedn\u0105 z najcz\u0119\u015bciej u\u017cywanych metryk do pomiaru dok\u0142adno\u015bci prognozy modelu jest WMAPE , co oznacza \u015bredni wa\u017cony bezwzgl\u0119dny b\u0142\u0105d procentowy . Wz\u00f3r do obliczenia WMAPE to: WMAPE = (\u03a3|y i \u2013 \u0177 i |*w i ) \/ (\u03a3y i *w i ) * 100 Z\u0142oto: \u03a3 \u2013 symbol oznaczaj\u0105cy \u201esum\u0119\u201d y i \u2013 Rzeczywista warto\u015b\u0107 […]<\/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-3966","post","type-post","status-publish","format-standard","hentry","category-przewodnik"],"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 Przyk\u0142ad: obliczanie WMAPE w 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 Dodatkowe zasoby<\/strong><\/span><\/h2>\n
Jak obliczy\u0107 SMAPE w R<\/a>
Jak obliczy\u0107 RMSE w R<\/a><\/p>\n","protected":false},"excerpt":{"rendered":"