Začněte nyníZačněte zdarma

Interpolace: Hodnoty mezi měřeními

V tomto cvičení sestavíš lineární model tak, že ho nafituješ na měsíční data časové řady indexu Dow Jones Industrial Average (DJIA), a pak pomocí tohoto modelu předpovíš hodnoty pro denní data – jde vlastně o interpolaci. Nakonec tuto denní předpověď porovnáš se skutečnými denními daty DJIA.

Pár poznámek k datům: zkratka „OHLC" znamená „Open-High-Low-Close" (otevírací, nejvyšší, nejnižší a závěrečná cena) a obvykle jde o denní data – například otevírací a závěrečná cena akcie v daný den. „DayCount" je celé číslo udávající počet dní od začátku sběru dat.

Toto cvičení je součástí kurzu

Úvod do lineárního modelování v Pythonu

Zobrazit kurz

Pokyny k cvičení

  • Pomocí ols() a .fit() nafituj model na data data=df_monthly s formula="Close ~ DayCount".
  • Použij model_fit.predict() na df_monthly.DayCount i df_daily.DayCount, abys předpověděl/a hodnoty měsíčních a denních cen Close – výsledky ulož jako nový sloupec Model v každém DataFrame.
  • Dvakrát použij předdefinovanou funkci plot_model_with_data – jednou pro df_monthly a jednou pro df_daily – a porovnej zobrazené hodnoty RSS.

Interaktivní cvičení na vyzkoušení si v praxi

Vyzkoušejte si toto cvičení dokončením tohoto ukázkového kódu.

# build and fit a model to the df_monthly data
model_fit = ols('Close ~ DayCount', ____=df_monthly).____()

# Use the model FIT to the MONTHLY data to make a predictions for both monthly and daily data
df_monthly['Model'] = model_fit.____(df_monthly.____)
df_daily['Model'] = model_fit.____(df_daily.____)

# Plot the monthly and daily data and model, compare the RSS values seen on the figures
fig_monthly = plot_model_with_data(____)
fig_daily = plot_model_with_data(____)
Upravit a spustit kód