拟合模型
2017-11-07 00:00
211 查看
arima()
使用arima()函数拟合模型,表达式为
拟合模型
注意这里指定了 d =1 即函数对序列做了一阶差分,因此可以将 模型一个应用于原始序列即可,
a、结果有模型的 AIC 值,有其他的模型可以做比较,AIC值越小越好
b、准确性度量可以帮助判断模型是否足够准确,本案例中,MAPE(平均绝对百分误差)为13%
拟合模型后,接下来需要对模型评价
使用arima()函数拟合模型,表达式为
arima(ts,order=c(p,d,q)) #ts为序列,oredr后面为模型ARMIA(p,d,q)的值
拟合模型
注意这里指定了 d =1 即函数对序列做了一阶差分,因此可以将 模型一个应用于原始序列即可,
> library(forecast) > fit1 <- arima(Nile,order = c(0,1,1)) #传的是原始序列Nile,而非一阶差分后的dNile > fit1 Call: arima(x = Nile, order = c(0, 1, 1)) Coefficients: ma1 -0.7329 #移动平均项的系数-0.73 s.e. 0.1143 sigma^2 estimated as 20600: log likelihood = -632.55, aic = 1269.09 #AIC值 > accuracy(fit1)#获取准确性度量 ME RMSE MAE MPE MAPE MASE ACF1 Training set -11.9358 142.8071 112.1752 -3.574702 12.93594 0.841824 0.1153593
a、结果有模型的 AIC 值,有其他的模型可以做比较,AIC值越小越好
b、准确性度量可以帮助判断模型是否足够准确,本案例中,MAPE(平均绝对百分误差)为13%
拟合模型后,接下来需要对模型评价
相关文章推荐
- 48、tensorflow入门二,线性模型的拟合
- python中使用4次多项式回归模型在训练样本中进行拟合
- python学习--模型过拟合查看learning curve
- MXNET:欠拟合、过拟合和模型选择
- 线性模型的最小二乘法拟合(转)
- 利用线性拟合模型发现测试环境性能隐患
- 模型泛化能力——过拟合与欠拟合,L1/L2正则化(复习16)
- 对模型方差和偏差的解释之一:过拟合
- 时间序列模型中,哪一个模型可以较好地拟合波动性的分析和预测
- R语言-模型拟合及预测(新数据集)常见问题及解决方案
- 【DL笔记】防止模型过拟合的处理方法(更新中)
- 【Python-ML】SKlearn库RANSAC拟合高鲁棒性回归模型
- sklearn模型调优(判断是否过过拟合及选择参数)
- 简单的Arima模型自动最优拟合与预测
- L1正则化产生稀疏模型,L2正则防止过拟合
- 模型过度拟合
- 车道检测问题探究(二)几何模型拟合
- 转换数据以拟合模型
- 【Keras】初学keras,回归,拟合模型