Una prima previsione di riferimento
Previsioni ingenue e a media mobile.
Una prima previsione di riferimento è una lezione Data Science Academy gratuita su CoddyKit. Questa è la lezione 4 di 4. Puoi leggere la lezione completa qui gratuitamente — poi esercitati direttamente nel browser con un editor di codice integrato e un tutor IA disponibile 24/7. Fa parte del percorso di apprendimento Data Science Academy, e i tuoi progressi si sincronizzano tra il web e l'app CoddyKit. Il corso Data Science Academy include 4 lezioni in totale.
Parti di questa lezione non sono ancora state tradotte e vengono mostrate in inglese.
Always Start Simple
Before fancy models, you need a baseline: a dead-simple forecast that anything fancier must beat to earn its place. 🪜
The Naive Forecast
The simplest baseline is the naive forecast: predict that tomorrow equals today. Surprisingly hard to beat for steady data.
forecast = sales.iloc[-1]Carrying the Last Value
A naive forecast just repeats the most recent observation forward. No trend, no season, just the latest known point.
The Seasonal Naive
For cyclical data, predict the value from one full season ago. This seasonal naive respects repeating patterns cheaply.
forecast = sales.shift(12)Moving-Average Forecast
Another baseline averages the last few points. A moving average smooths out noise and projects that level ahead.
forecast = sales.tail(7).mean()Split Before You Forecast
Keep the last chunk of time as a test set. Never shuffle it: time order must be preserved so the future stays unseen.
train, test = sales[:-30], sales[-30:]Measure the Error
Compare predictions to the held-out truth with an error metric. MAE reports the average size of your mistakes in real units.
from sklearn.metrics import mean_absolute_errorThe Number to Beat
Your baseline's error becomes the benchmark. Any model that scores worse is not worth its extra complexity.
Plot Truth Versus Forecast
Always plot the prediction over the real test values. Your eyes catch lag and bias that a single number can hide.
When Naive Wins
If a complex model cannot beat naive, trust the simple one. Simplicity that performs is a feature, not a failure.
Where to Go Next
With a baseline set, you are ready for real models like ARIMA or Prophet, each judged against this honest starting point.
Quick Check
What does a simple naive forecast predict for the next time step?
Recap: Earn the Complexity
You built naive, seasonal, and moving-average baselines, then measured error so future models must prove they are better.
Domande Frequenti
La lezione «Una prima previsione di riferimento» è gratuita?
Sì — il testo completo di «Una prima previsione di riferimento» è gratuito qui sul web. Per esercitarvi in modo interattivo (un editor di codice integrato e un tutor IA 24/7) e sbloccare il resto del corso Data Science Academy, passa a CoddyKit PRO. Il corso Data Science Academy include 4 lezioni in totale.
Cosa imparerò in «Una prima previsione di riferimento»?
Previsioni ingenue e a media mobile. Eserciti Data Science Academy con codice pratico che esegui direttamente nel browser, e un tutor IA 24/7 risponde alle tue domande mentre lavori sulla lezione.
Ho bisogno di esperienza per iniziare Data Science Academy?
Non è richiesta alcuna esperienza precedente. Data Science Academy su CoddyKit è strutturato per principianti e studenti avanzati, quindi puoi iniziare da qui o dall'inizio e procedere al tuo ritmo. Questa è la lezione 4 di 4.
Quanto tempo richiede la lezione «Una prima previsione di riferimento»?
La maggior parte delle lezioni CoddyKit richiede circa 5–10 minuti. Ogni lezione è breve e interattiva, quindi fai progressi costanti e riprendi esattamente da dove hai lasciato su web e app.
Posso scrivere ed eseguire codice in questa lezione Data Science Academy?
Sì. Ogni lezione Data Science Academy include un editor di codice integrato, quindi scrivi ed esegui codice reale direttamente nel tuo browser e ricevi feedback istantaneo dall'IA — nessuna configurazione locale necessaria.
Tutte le lezioni di questo corso
- Trend, stagionalità e rumore
- Finestre mobili e lag
- Stazionarietà e differenziazione
- Una prima previsione di riferimento