Personnaliser les préférences

Nous utilisons des cookies pour vous aider à naviguer efficacement et à exécuter certaines fonctions. Vous trouverez ci-dessous des informations détaillées sur tous les cookies sous chaque catégorie de consentement.

Les cookies classés comme « Nécessaires » sont stockés sur votre navigateur car ils sont essentiels pour activer les fonctionnalités de base du site.... 

Toujours actif

Necessary cookies are required to enable the basic features of this site, such as providing secure log-in or adjusting your consent preferences. These cookies do not store any personally identifiable data.

Aucun cookie à afficher.

Functional cookies help perform certain functionalities like sharing the content of the website on social media platforms, collecting feedback, and other third-party features.

Aucun cookie à afficher.

Analytical cookies are used to understand how visitors interact with the website. These cookies help provide information on metrics such as the number of visitors, bounce rate, traffic source, etc.

Aucun cookie à afficher.

Performance cookies are used to understand and analyze the key performance indexes of the website which helps in delivering a better user experience for the visitors.

Aucun cookie à afficher.

Advertisement cookies are used to provide visitors with customized advertisements based on the pages you visited previously and to analyze the effectiveness of the ad campaigns.

Aucun cookie à afficher.

Comment effectuer des prévisions naïves dans R : avec des exemples



Une prévision naïve est une prévision dans laquelle la prévision pour une période donnée est simplement égale à la valeur observée au cours de la période précédente.

Par exemple, supposons que nous ayons les ventes suivantes d’un produit donné au cours des trois premiers mois de l’année :

La prévision des ventes en avril serait simplement égale aux ventes réelles du mois de mars précédent :

Exemple de prévision naïve

Bien que cette méthode soit simple, elle a tendance à fonctionner étonnamment bien dans la pratique.

Ce didacticiel fournit un exemple étape par étape de la façon d’effectuer des prévisions naïves dans R.

Étape 1 : Saisissez les données

Tout d’abord, nous saisirons les données de ventes sur une période de 12 mois dans une entreprise imaginaire :

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

Étape 2 : générer les prévisions naïves

Ensuite, nous utiliserons les formules suivantes pour créer des prévisions naïves pour chaque mois :

#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

Notez que nous avons simplement utilisé NA pour la première valeur prévue.

Étape 3 : Mesurer la précision des prévisions

Enfin, il faut mesurer la précision des prévisions. Deux mesures courantes utilisées pour mesurer la précision comprennent :

  • Erreur moyenne absolue en pourcentage (MAPE)
  • Erreur absolue moyenne (MAE)

Nous pouvons utiliser le code suivant pour calculer les deux métriques :

#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

L’erreur absolue moyenne en pourcentage est de 9,898 % et l’erreur absolue moyenne est de 3,45.

Pour savoir si cette prévision est utile, nous pouvons la comparer à d’autres modèles de prévision et voir si la précision des mesures est meilleure ou pire.

Étape 4 : Visualisez les prévisions

Enfin, nous pouvons créer un simple tracé linéaire pour visualiser les différences entre les ventes réelles et les prévisions naïves de ventes au cours de chaque période :

#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)

Prévisions naïves dans R

Notez que la ligne de vente prévue est essentiellement une version décalée de la ligne de vente réelle.

C’est exactement ce à quoi nous nous attendrions puisque la prévision naïve prévoit simplement que les ventes de la période en cours seront égales aux ventes de la période précédente.

Ressources additionnelles

Comment calculer le MAE dans R
Comment calculer MAPE dans R
Qu’est-ce qui est considéré comme une bonne valeur pour MAPE ?

Ajouter un commentaire

Votre adresse e-mail ne sera pas publiée. Les champs obligatoires sont indiqués avec *