Une première prévision de référence

Avant d’utiliser des modèles sophistiqués, vous avez besoin d’une référence : une prévision extrêmement simple que toute solution plus complexe doit dépasser pour justifier sa place. 🪜

La référence la plus simple est la prévision naïve : prédire que demain sera égal à aujourd’hui. Elle est étonnamment difficile à dépasser pour des données stables.

Une prévision naïve répète simplement la dernière observation connue pour les instants suivants. Aucune tendance, aucune saisonnalité : uniquement le dernier point connu.

Pour des données cycliques, prévoyez la valeur observée une saison complète auparavant. Cette prévision naïve saisonnière respecte les schémas répétitifs à moindre coût.

Une autre référence consiste à calculer la moyenne des derniers points. Une moyenne mobile lisse le bruit et projette ce niveau vers l’avenir.

Conservez le dernier segment temporel comme ensemble de test. Ne le mélangez jamais : l’ordre chronologique doit être préservé afin que l’avenir reste inconnu.

Comparez les prédictions aux valeurs réelles mises de côté à l’aide d’une mesure d’erreur. MAE indique l’ampleur moyenne de vos erreurs dans les unités réelles.

L’erreur de votre référence devient le point de comparaison. Un modèle dont le score est inférieur n’est pas intéressant malgré sa complexité supplémentaire.

Représentez toujours graphiquement la prédiction par-dessus les vraies valeurs de test. Votre regard repère les retards et les biais qu’un seul nombre peut dissimuler.

Si un modèle complexe ne peut pas dépasser la méthode naïve, faites confiance à la solution simple. Une simplicité qui donne de bons résultats est un atout, pas un échec.

Une fois la référence établie, vous êtes prêt à utiliser de vrais modèles comme ARIMA ou Prophet, chacun étant évalué par rapport à ce point de départ honnête.

Que prédit une prévision naïve simple pour l’instant suivant ?

Vous avez créé des références naïve, saisonnière et fondée sur une moyenne mobile, puis mesuré l’erreur afin que les futurs modèles prouvent leur supériorité.