Holdout ForecastingIn holdout forec

Holdout Forecasting

In holdout forecasting:

The last few data points are removed from the data series. The remaining historical data series is called in-sample data, and the holdout data is called out-of-sample data. Suppose p periods have been removed as holdout from a total of N periods.

Parameters are optimized by minimizing the fit error measure for in-sample data. If method parameters are provided by the user, those are used in the final forecasting.

After the parameters are optimized, the forecasts for the holdout periods (p periods) are calculated.

The error statistics (RMSE, MAD, MAPE) are out-of-sample statistics, based on only the numbers in the hold-out period. The RMSE for holdout forecasting is often called holdout RMSE. The holdout error measures are the ones reported to the user and are used to sort the forecasting methods.

Other statistics such as Theil's U, Durbin-Watson, and Ljung-Box are in-sample statistics, based on the non-holdout period.

Final forecasting is performed on both the in-sample and out-of-sample periods (all N periods) using the standard technique.

The standard error for the forecasts is also calculated using all N periods.

To improve the optimized parameter values obtained for the method, holdout forecasting should be used only when there are at least 100 data points for non-seasonal methods and 5 seasons for seasonal methods. For best results, use no more than 5 percent of the data points as holdout, no matter how large the number of total data points.

Kết quả (Việt) 1:

Holdout dự báoTrong holdout dự báo:Cuối cùng vài điểm dữ liệu được gỡ bỏ từ dòng dữ liệu. Dòng dữ liệu lịch sử còn lại được gọi là trong mẫu dữ liệu, và các dữ liệu holdout được gọi là dữ liệu ra của mẫu. Giả sử p giai đoạn đã được gỡ bỏ như holdout từ tổng số thời gian N.Tham số được tối ưu hóa bằng cách giảm thiểu các biện pháp phù hợp với lỗi cho dữ liệu trong mẫu. Nếu tham số phương pháp được cung cấp bởi người dùng, những người được sử dụng trong dự báo cuối cùng.Sau khi các tham số được tối ưu hóa, dự báo trong thời gian holdout (p giai đoạn) được tính.Thống kê lỗi (Whattheschmidt, MAD, MAPE) là thống kê ra của mẫu, dựa trên chỉ số trong giai đoạn giữ-out. Whattheschmidt cho holdout dự báo thường được gọi là holdout Whattheschmidt. Các biện pháp lỗi holdout là những báo cáo cho người dùng và được sử dụng để sắp xếp các phương pháp dự báo.Thống kê khác chẳng hạn như U của Theil, Durbin-Watson và Ljung-Box là thống kê trong mẫu, dựa trên thời gian holdout.Dự báo cuối cùng được thực hiện trên cả hai các trong mẫu và out của mẫu thời gian (thời gian N tất cả) bằng cách sử dụng các kỹ thuật tiêu chuẩn.Tiêu chuẩn cho các dự báo lỗi cũng được tính bằng cách sử dụng tất cả các thời gian N.Để cải thiện các giá trị tham số tối ưu hóa thu được cho các phương pháp, holdout dự báo nên được sử dụng chỉ khi không có dữ liệu ít nhất 100 điểm cho phương pháp phòng không theo mùa, mùa 5 cho phương pháp theo mùa. Cho kết quả tốt nhất, sử dụng không quá 5 phần trăm của các điểm dữ liệu như holdout, không có vấn đề lớn như thế nào số điểm tất cả dữ liệu.

Kết quả (Việt) 2:

Dự báo người hết Trong dự báo người hết: Một vài điểm dữ liệu cuối cùng được lấy ra từ các chuỗi dữ liệu. Dòng dữ liệu lịch sử còn được gọi là trong mẫu dữ liệu, và các dữ liệu người hết được gọi là out-of-mẫu dữ liệu. Giai đoạn p Giả sử đã được gỡ bỏ như người hết trong tổng số thời gian tồn tại. Các thông số được tối ưu hóa bằng cách giảm thiểu các biện pháp phù hợp cho lỗi trong mẫu dữ liệu. Nếu thông số phương pháp được cung cấp bởi người sử dụng, những người được sử dụng trong các dự báo thức. Sau khi các thông số được tối ưu hóa, các dự báo cho năm người hết (thời gian p) được tính toán. Các số liệu thống kê lỗi (RMSE, MAD, MAPE) là out-of thống kê -sample, chỉ dựa trên những con số trong khoảng thời gian hold-out. Các RMSE để dự báo người hết thường được gọi là người hết RMSE. Các biện pháp lỗi người hết là những người báo cáo cho người sử dụng và được sử dụng để sắp xếp các phương pháp dự báo. Thống kê khác như Theil của U, Durbin-Watson, và Ljung-Box đang có trong mẫu thống kê, dựa trên khoảng thời gian không người hết. Cuối cùng dự báo được thực hiện trên cả hai trong mẫu và out-of-mẫu thời gian (tất cả các giai đoạn N) bằng cách sử dụng kỹ thuật tiêu chuẩn. Các lỗi tiêu chuẩn cho các dự báo cũng được tính toán bằng cách sử dụng tất cả thời gian tồn tại. Để nâng cao giá trị tham số tối ưu hóa thu được cho các phương pháp , dự báo người hết nên chỉ được sử dụng khi có ít nhất 100 điểm dữ liệu cho các phương pháp không theo mùa và 5 mùa cho các phương pháp theo mùa. Để có kết quả tốt nhất, sử dụng không quá 5 phần trăm của các điểm dữ liệu như người hết, không có vấn đề làm thế nào lớn số lượng tổng số điểm dữ liệu.