Изменения
→Оценка
[[Файл:Evaluation.png |right|600px|thumb|[https://towardsdatascience.com/an-overview-of-time-series-forecasting-models-a2fa7a358fcb Рисунок 17. MAE с перекрестной проверкой для каждой модели]]]
Выполнен выбор модели с помощью процедуры перекрестной проверки, описанной ранее. Не рассчитывая его для динамических линейных моделей и моделей LSTM из-за их высокой вычислительной стоимости и низкой производительности.<br>
На следующем рисунке показывало MAE с перекрестной проверкой для каждой модели и для каждого временного горизонта(рис. 17):
Чтобы получить объективную оценку наилучшей производительности модели, вычислим MAE на тестовом наборе(рис. 18), получив оценку, равную 5,24. На следующем рисунке можно увидеть MAE, оцененную на тестовой выборке для каждого временного горизонта.<br>
[[Файл:Cross-validated MAE.png |left|thumb|[https://towardsdatascience.com/an-overview-of-time-series-forecasting-models-a2fa7a358fcb Рисунок 18. MAE, тестовый набор]]]
<br><br><br>
===Как еще больше повысить производительность===
Другие методы повышения производительности моделей:
*Использование разных моделей для разных временных горизонтов
*Объединение нескольких прогнозов (например, с учетом среднего прогноза)
*'''Агрегация начальных данных'''
<br><br>
Последний метод у можно резюмировать следующим образом:
