Forecast error의 구분

 

 

오늘은 Forecast error에 관련된 얘기를 해 볼까 합니다. 

Forecast error는 예측 값과 실제 값 간의 차이를 얘기하는데요,

크게 bias와 random variation 두 가지로 구분할 수 있는데요.

 

"Bias"는 예측 모델이 실제 값과 일정한 방향으로 차이가 나는 현상을 의미합니다.

Bias가 있는 경우, 모델이 항상 실제 값보다 과소 또는 과대로 예측하는 것입니다.

예를 들어, 판매 예측 모델이 항상 판매량을 과대 예측한다면, 이 모델에는 positive bias가 있다고 할 수 있습니다.

반면, "Random variation"은 예측 값과 실제 값 간의 무작위한 차이를 의미합니다. 

 

Forecast bias를 확인하려면 예측 값과 실제 값의 차이를 계산하고,

이를 평균으로 나누어 퍼센트로 표현하게 되는데요. 

이를 MPE(Mean Percentage Error) 또는 MAPE(Mean Absolute Percentage Error)라고 합니다.

예를 들어, 예측 모델이 다음 5일 간의 판매량을 예측했고, 실제 판매량과 예측값이 다음과 같다고 가정해보겠습니다.

 

위 예제에서 예측 값과 실제 값 간의 차이와 해당값의 절대값을 계산하면 다음과 같습니다.

 

 

따라서 이를 평균으로 나누어 계산한 Mean Absolute Percentage error (MAPE)는 

MAPE = (20% + 4.5% + 4.8% + 5.3% + 11.1%) ÷ 5 = 9.1%

가 됩니다. 

 

위 결과에서 MAPE가 9.1%이므로, 이 모델은 평균적으로 9.1%의 forecast error가 존재한다고 해석할 수 있습니다.

 

Bias와 Random variation은 예측 모델의 오차를 설명하는 두 가지 주요 요소입니다.

예측 모델의 정확도를 높이기 위해서는 이러한 Bias와 Random variation을 최소화하려는 노력이 필요합니다.

그게 제일 어려운 것이긴 하지만요.. ㅎㅎ

 

 

The only true wisdom is in knowing you know nothing.