"샘플 내"와 "샘플 외"예측의 차이점은 무엇입니까?

"샘플 내"와 "샘플 외"예측의 차이점이 정확히 무엇인지 이해하지 못합니까? 표본 내 예측은 사용 가능한 데이터 의 하위 집합 을 사용하여 추정 기간 이외의 값을 예측합니다. 샘플에서 벗어난 예측은 사용 가능한 모든 데이터를 대신 사용 합니다. 맞 습니까?

다음의 정의는 매우 정확합니까?

내부 샘플 예측은 사용 가능한 데이터 의 서브 세트를 사용 하여 추정 기간 외부의 값을 예측하고이를 알려진 알려진 실제 결과와 비교합니다. 이것은 알려진 값을 예측하는 모델의 능력을 평가하기 위해 수행됩니다. 예를 들어 1980 년에서 2015 년 사이의 표본 내 예측은 1980 년에서 2012 년까지의 데이터를 사용하여 모형을 추정 할 수 있습니다. 이 모델을 사용하여 예측자는 2013-2015 년의 값을 예측하고 예측 된 값을 실제 알려진 값과 비교합니다. 샘플 외부 예측은 사용 가능한 모든 데이터를 대신 사용 합니다. 하여 모델을 추정합니다. 이전 예제의 경우 1980-2015 년 동안 추정이 수행되고 2016 년에 예측이 시작됩니다.

"샘플"은 모델에 맞추기 위해 사용하는 데이터 샘플을 의미합니다.

첫째-샘플이 있습니다.
둘째- 샘플 에 모델을 맞 춥니 다.
셋째-모형을 사용하여 예측할 수 있습니다.

데이터 샘플의 일부인 관측치를 예측하는 경우 샘플 내 예측입니다.

데이터 표본의 일부가 아닌 관측치를 예측하는 경우 표본이 아닌 예측입니다.

따라서 스스로에게 물어봐야 할 질문은 다음과 같습니다 . 특정 관측 값이 모형 피팅에 사용 되었습니까? 모형 피팅에 사용 된 경우 관측치 예측은 표본 내입니다. 그렇지 않으면 샘플이 아닙니다.

데이터 1990-2013을 사용하여 모형에 적합하고 2011-2013을 예측하면 표본 내 예측입니다. 그러나 모형 적합에 1990-2010 만 사용하고 2011-2013을 예측하면 표본 외 예측입니다.

표본에 10 개의 데이터 요소가 있다고 가정합니다. 이 데이터는 두 가지 부분으로 나눌 수 있습니다. 예를 들어 모델 파라미터를 추정하기위한 첫 7 개의 데이터 포인트와 모델 성능을 테스트하기위한 다음 3 개의 데이터 포인트. 적합 모형을 사용하면 처음 7 개의 데이터 요소에 대한 예측을 샘플 내 예측이라고하고 마지막 3 개의 데이터 요소에 대한 예측을 샘플 예측에서 부릅니다. 이것은 데이터를 훈련 세트와 검증 세트로 나누는 아이디어와 같습니다.

표본 내 예측은 관측 된 데이터를 사용하여 개발 된 모델의 예측 기능을 공식적으로 평가하여 알고리즘이 데이터를 효과적으로 재생하는 방법을 확인하는 프로세스입니다. 기계 학습 알고리즘의 학습 세트와 비슷하며 샘플 외부 는 테스트 세트와 유사합니다.

아래 다이어그램은 IN TIME 및 OUT OF TIME 을 이해하는 데 도움이됩니다.

시계열 예측에서 'Insample'은 열차 데이터를 의미하고 'Outsample'은 테스트 데이터를 의미합니다

시계열에서는 먼저 'Insample'(예 : 기차) 데이터에 대한 결과를 예측할 수 있습니다. 나중에 'outsample'(예 : 테스트) 데이터의 결과를 예측할 수 있습니다.

model = ARIMA(order = (p,d,q), seasonal_order=(P,D,Q,S))
model.fit(train_data)

train_predictions = model.predict_in_sample()
test_predictions = model.predict(n_periods=len(test_data.index))

predictions = pd.concatenate((train_predictions, test_predictions),axis=0)