Orange: Model Evaluation

Sumber: https://orange.biolab.si/widget-catalog/time-series/model_evaluation/

Evaluasi berbagai model time series

Input

Time series: Time series as output by As Timeseries widget.
Time series model(s): The time series model(s) to evaluate (e.g. VAR or ARIMA).

Widget Model Evaluation dapat mengevaluasi berbagai model time series. Dengan membandingkan error yang di dihasilkan, yaitu:

• root mean squared error (RMSE)
• median absolute error (MAE)
• mean absolute percent error (MAPE)
• prediction of change in direction (POCID)
• coefficient of determination (R²)
• Akaike information criterion (AIC)
• Bayesian information criterion (BIC).

• Number of folds for time series cross-validation.
• Number of forecast steps to produce in each fold.
• Results for various error measures and information criteria on cross-validated and in-sample data.

Slide https://www.slideshare.net/hyndman/automatic-time-series-forecasting memperlihatkan bagaimana cara melakukan cross validation pada time series dilakukan. Dalam hal ini, jumlah dari folds (1) adalah 10 dan jumlah dari forecast steps di setiap fold (2) adalah 1.

In-sample errors adalah error yang di hitung pada training data itu sendiri. Sebuah model yang stabil adalah dimana in-sample errors dan out-of-sample errors tidak berbeda terlalu jauh.

See also

ARIMA Model, VAR Model

Referensi

• https://orange.biolab.si/widget-catalog/time-series/model_evaluation/

Pranala Menarik

• Orange