Das Resampling von Zeitreihendaten bedeutet, die Daten für einen neuen Zeitraum zusammenzufassen oder zu aggregieren.
Wir können die folgende grundlegende Syntax verwenden, um Zeitreihendaten in Python neu abzutasten:
#Finde die …
Der symmetrische mittlere absolute prozentuale Fehler (SMAPE) wird verwendet, um die Vorhersagegenauigkeit von Modellen zu messen. Es wird berechnet als:
SMAPE = (1/n) * Σ(|Prognose – Ist| / ((|Ist| + |Prognose|)/2) * 100
wo:
Dieses Tutorial erklärt, wie man SMAPE in Python berechnet.
Es gibt keine eingebaute Python-Funktion zum Berechnen von SMAPE, aber wir können dafür eine einfache Funktion erstellen:
import numpy as np
def smape(a, f):
return 1/len(a) * np.sum(2 * np.abs(f-a) / (np.abs(a) + np.abs(f))*100)
Wir können diese Funktion dann verwenden, um den SMAPE für zwei Arrays zu berechnen: eines, das die tatsächlichen Datenwerte enthält, und eines, das die prognostizierten Datenwerte enthält.
#Arrays von tatsächlichen und prognostizierten Datenwerten definieren
actual = np.array([12, 13, 14, 15, 15,22, 27])
forecast = np.array([11, 13, 14, 14, 15, 16, 18])
#SMAPE berechnen
smape(actual, forecast)
12.45302
Aus den Ergebnissen können wir ersehen, dass der symmetrische mittlere absolute prozentuale Fehler für dieses Modell 12,45302 % beträgt.
Wikipedia-Eintrag für SMAPE
Rob J. Hyndmans Gedanken zu SMAPE
So berechnen Sie MAPE in Python
So berechnen Sie MAPE in R
So berechnen Sie MAPE in Excel
Das Resampling von Zeitreihendaten bedeutet, die Daten für einen neuen Zeitraum zusammenzufassen oder zu aggregieren.
Wir können die folgende grundlegende Syntax verwenden, um Zeitreihendaten in Python neu abzutasten:
#Finde die …
Ein rollierender Median ist der Median einer bestimmten Anzahl früherer Perioden in einer Zeitreihe.
Um den gleitenden Median für eine Spalte in einem Pandas DataFrame zu berechnen, können wir die …