Zaman Serisi - İleriye Doğru Doğrulama

Zaman serisi modellemede, zamanla tahminler gittikçe daha az doğru hale gelir ve bu nedenle, daha fazla tahmin için kullanılabilir hale geldikçe modeli gerçek verilerle yeniden eğitmek daha gerçekçi bir yaklaşımdır. İstatistiksel modellerin eğitimi zaman alıcı olmadığından, ileriye dönük doğrulama, en doğru sonuçları elde etmek için en çok tercih edilen çözümdür.

Verilerimize bir adım ileriye dönük doğrulama uygulayalım ve daha önce aldığımız sonuçlarla karşılaştıralım.

[333] içinde:

prediction = []
data = train.values
for t In test.values:
   model = (ExponentialSmoothing(data).fit())
   y = model.predict()
   prediction.append(y[0])
   data = numpy.append(data, t)

[335] içinde:

test_ = pandas.DataFrame(test)
test_['predictionswf'] = prediction

[341] içinde:

plt.plot(test_['T'])
plt.plot(test_.predictionswf, '--')
plt.show()

[340] 'da:

error = sqrt(metrics.mean_squared_error(test.values,prediction))
print ('Test RMSE for Triple Exponential Smoothing with Walk-Forward Validation: ', error)
Test RMSE for Triple Exponential Smoothing with Walk-Forward Validation:  11.787532205759442

Modelimizin şimdi önemli ölçüde daha iyi performans gösterdiğini görebiliriz. Aslında, eğilim o kadar yakından takip ediliyor ki, arsa üzerinde tahminler gerçek değerlerle örtüşüyor. ARIMA modellerinde de önden onaylı doğrulama uygulamayı deneyebilirsiniz.