Критерий Итоговой ошибки предсказания (FPE) Акэйка обеспечивает меру качества модели путем симуляции ситуации, где модель тестируется на различном наборе данных. После вычисления нескольких различных моделей можно сравнить их использующий этот критерий. Согласно теории Акэйка, самая точная модель имеет самый маленький FPE.
Если вы используете тот же набор данных и в оценке модели и в валидации, подгонка всегда улучшается, когда вы увеличиваете порядок модели и, поэтому, гибкость структуры модели.
Итоговая ошибка предсказания (FPE) Акэйка задана следующим уравнением:
где:
N является количеством значений в наборе данных оценки.
e (t) является ny-1 вектором ошибок предсказания.
представляет предполагаемые параметры.
d является количеством предполагаемых параметров.
Если количество параметров превышает количество выборок, FPE не вычисляется, когда оценка модели выполняется (model.Report.FPE
isempty. fpe
команда возвращает NaN
.