趋近智
在之前的章节中构建了ARIMA和SARIMA等预测模型后,下一步是评估它们的表现。建立模型只是流程的一部分;我们需要客观的方法来确定它预测未来值的准确程度,以及它与替代方案相比如何。
在本章中,您将学习针对时间序列数据的有效模型评估方法。我们将从如何正确地将数据分成训练集和测试集开始,同时遵守时间顺序以避免“预见未来”。然后,您将学习计算和解释常见的预测准确性指标,包括:
例如, 表示预测值与实际值之间的平均绝对差:
我们还将考察像赤池信息准则 () 和贝叶斯信息准则 () 这样的信息准则,它们通过平衡模型拟合度和复杂度来辅助模型选择。在本章结束时,您将能够应用这些指标和准则来比较不同的预测模型,并可视化它们与实际数据的表现。
6.1 模型评估的必要性
6.2 时间序列的训练-测试分离
6.3 常用评估指标(MAE、MSE、RMSE、MAPE)
6.4 信息准则 (AIC, BIC)
6.5 比较不同模型的预测结果
6.6 预测表现的可视化
6.7 动手练习:评估预测
© 2026 ApX Machine Learning用心打造