Speciální případ: Autoregresivní modely
Teď, když máš vytvořené časově posunuté verze jedné časové řady, můžeš natrénovat autoregresivní model. Jde o regresní model, jehož vstupní příznaky jsou časově posunuté verze výstupní časové řady. K předpovědi aktuálních hodnot časové řady tedy využíváš její předchozí hodnoty – odtud název autoregresivní.
Zkoumáním koeficientů tohoto modelu můžeš odhalit opakující se vzory v časové řadě a zjistit, jak daleko do minulosti mají datové body prediktivní hodnotu pro budoucnost.
Toto cvičení je součástí kurzu
Machine Learning pro data časových řad v Pythonu
Pokyny k cvičení
- Nahraď chybějící hodnoty v
prices_perc_shiftedmediánem celého DataFrame a výsledek přiřaď doX. - Nahraď chybějící hodnoty v
prices_percmediánem série a výsledek přiřaď doy. - Natrénuj regresní model na polích
Xay.
Interaktivní cvičení na vyzkoušení si v praxi
Vyzkoušejte si toto cvičení dokončením tohoto ukázkového kódu.
# Replace missing values with the median for each column
X = prices_perc_shifted.____(np.____(prices_perc_shifted))
y = prices_perc.____(np.___(prices_perc))
# Fit the model
model = Ridge()
model.fit(____, ____)