CARETのタイムスライス法を用いたモデル解釈

Question

単純なglmモデルを評価して経済データ系列を予測したいと仮定します。 以下のコードを検討：

library(caret) 
library(ggplot2) 
data(economics) 
h <- 7 
myTimeControl <- trainControl(method = "timeslice", 
           initialWindow = 24*h, 
           horizon = 12, 
           fixedWindow = TRUE) 

fit.glm <- train(unemploy ~ pce + pop + psavert, 
        data = economics, 
        method = "glm", 
        preProc = c("center", "scale","BoxCox"), 
        trControl = myTimeControl) 

列車式に使用される共変量は、いくつかの他のモデルによって得られた値の予測値であると仮定する。

Generalized Linear Model 

574 samples 
3 predictor 

Pre-processing: centered (3), scaled (3), Box-Cox transformation (3) 
Resampling: Rolling Forecasting Origin Resampling (12 held-out with a fixed 
window) 
Summary of sample sizes: 168, 168, 168, 168, 168, 168, ... 
Resampling results: 

RMSE  Rsquared 
1446.335 0.2958317 

別に得られた不良結果から（これは一例に過ぎない）： この単純なモデルは、以下の結果を与えます。 それが正しいかどうかのだろうか：

1. 上記の結果を考慮するGLMにより、データセット全体に、得られた結果はわずか24 * H = 24 * 7のサンプルを用いて訓練され= 12個のサンプル毎地平線後再トレーニングとして
2. 地平線が1から12までのRMSEの評価はどのように評価されますか（http://robjhyndman.com/hyndsight/tscvexample/と報告されています）？

   Call: 
   NULL 
   
   Deviance Residuals: 
       Min  1Q Median  3Q  Max 
   -5090.0 -1025.5 -208.1 833.4 4948.4 
   
   Coefficients: 
         Estimate Std. Error t value Pr(>|t|)  
   (Intercept) 7771.56  64.93 119.688 < 2e-16 *** 
   pce   5750.27 1153.03 4.987 8.15e-07 *** 
   pop   -1483.01 1117.06 -1.328 0.185  
   psavert  2932.38  144.56 20.286 < 2e-16 *** 
   --- 
   Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1 
   
   (Dispersion parameter for gaussian family taken to be 2420081) 
   
   Null deviance: 3999514594 on 573 degrees of freedom 
   Residual deviance: 1379446256 on 570 degrees of freedom 
   
   
   AIC: 10072 
   
   Number of Fisher Scoring iterations: 2 
   

   パラメータが最後の訓練を受けたGLMを参照してください示したか、「平均」偶然にしている：私はfit.glm概要を示す場合

は私が取得しますか？ 私は十分に明確になったことを願っています。

Answer 1

このリサンプリング方法は他の方法と同様です。 RMSEは、トレーニングデータの異なるサブセットを使用して推定されます。 「Summary of sample sizes: 168, 168, 168, 168, 168, 168, ...」と記載されています。最終的なモデルは、トレーニングデータセットのすべてを使用します。

Robの結果との違いは、Mean Absolute Error（MAE）とRMSE（Root Mean Squared Error）の差によるものです。