X-Git-Url: https://git.auder.net/img/vendor/vue.min.js?a=blobdiff_plain;f=reports%2FExperiments.gj;h=aef72e6c96ebe5d7479e3e56344c9a35dbdcfdf1;hb=2e0ef04b1bb097b43df90afe8e7200c39421aff2;hp=55147e94ab99c32da939f38c2e14b01ad2ef0258;hpb=10886062b38b7373ce6f418b6df6da16badd9393;p=talweg.git
diff --git a/reports/Experiments.gj b/reports/Experiments.gj
index 55147e9..aef72e6 100644
--- a/reports/Experiments.gj
+++ b/reports/Experiments.gj
@@ -54,7 +54,7 @@ indices_np = seq(as.Date("2015-04-27"),as.Date("2015-05-03"),"days")
##
${list_titles[i]}
${"##"} ${list_titles[i]}
-----r
-p1 = computeForecast(data, ${list_indices[i]}, "Neighbors", "Neighbors", predict_from=P,
+p1_7 = computeForecast(data, ${list_indices[i]}, "Neighbors", "Neighbors", predict_from=P,
horizon=H, simtype="mix", local=FALSE)
p2 = computeForecast(data, ${list_indices[i]}, "Neighbors", NULL, predict_from=P,
horizon=H, simtype="none", local=TRUE)
@@ -78,10 +78,10 @@ i_np = which.min(sum_p23) #indice de jour "facile"
i_p = which.max(sum_p23) #indice de jour "difficile"
-----
% if i == 0:
-L'erreur absolue -- en haut à gauche -- reste modérée pour les meilleurs modèles
+L'erreur absolue $-$ en haut à droite $-$ reste modérée pour les meilleurs modèles
(variantes à voisins), ne dépassant 10 que deux jours. Les deux modèles naïfs ont des
erreurs similaires sauf sur la période "difficile" (jours 4 à 6), sur laquelle on gagne
-donc à chercher des jours similaires pour effectuer la prévision.
+donc à chercher des jours semblables pour effectuer la prévision.
Le MAPE reste en geÌneÌral infeÌrieur aÌ 35% pour les meilleurs méthodes.
% elif i == 1:
Le modèle à voisins avec contrainte de localité obtient ici les meilleurs résultats, son
@@ -92,9 +92,9 @@ droite). Le MAPE jour après jour est du même ordre que précédemment pour cet
Dans ce cas plus favorable les intensiteÌ des erreurs absolues ont clairement diminueÌ :
elles sont souvent en dessous de 5. En revanche le MAPE moyen reste en général au-delaÌ de
20%. Comme dans le cas de l'eÌpandage on constate une croissance globale de la courbe
-journalieÌre d'erreur absolue moyenne (en haut aÌ gauche) -- sauf pour la méthode à voisins
-"locale" ; ceci peut eÌtre duÌ au fait que l'on ajuste le niveau du jour aÌ preÌdire en le
-recollant sur la dernieÌre valeur observeÌe (sauf pour "Neighbors local").
+journalieÌre d'erreur absolue moyenne (en haut aÌ gauche) $-$ sauf pour la méthode Ã
+voisins "locale" ; ceci peut eÌtre duÌ au fait que l'on ajuste le niveau du jour aÌ preÌdire
+en le recollant sur la dernieÌre valeur observeÌe (sauf pour "Neighbors local").
% endif
-----r
options(repr.plot.width=9, repr.plot.height=4)
@@ -120,7 +120,7 @@ Dans le cas d'un jour "facile" aÌ preÌdire $-$ aÌ gauche $-$ la forme est plu
retrouveÌe, ainsi que le niveau moyen pour la méthode sans contrainte de localité
(dans l'autre, l'algorithme a probablement écarté trop de voisins potentiels).
Concernant le jour "difficile" aÌ droite, non seulement la forme n'est pas anticipeÌe mais
-surtout le niveau preÌdit est largement supérieur au niveau de pollution observeÌ -- dans
+surtout le niveau preÌdit est largement supérieur au niveau de pollution observeÌ $-$ dans
une moindre mesure toutefois pour la variante "locale".
% else:
L'impression visuelle est plutôt mauvaise dans ce cas, mais les écart étant minimes les
@@ -230,10 +230,11 @@ title(paste("Weights p1 day",i_p))
Les poids se concentrent preÌs de 0 : c'est ce que l'on souhaite observer pour eÌviter
d'effectuer une simple moyenne.
% elif i == 1:
-En comparaison avec le paragraphe preÌceÌdent on retrouve le meÌme (bon) comportement des
-poids pour la version "non locale".
+On retrouve le meÌme (bon) comportement des poids : concentration vers 0, quelques poids
+non négligeables (presque trop peu pour le jour "difficile").
% else:
-Concernant les poids en revanche, deux cas a priori mauvais se cumulent : ...
+Les poids sont répartis comme souhaité : concentrés vers 0 avec quelques valeurs non
+négligeables.
% endif
-----r
options(digits=2)