Autoregrese s vyhlazením časové řady
Teď spustíme stejný postup s vyhlazením signálu. Použiješ stejný algoritmus procentuální změny jako předtím, ale tentokrát s výrazně větším oknem (40 místo 20). Čím větší okno, tím menší rozdíly mezi sousedními časovými body – výsledkem je vyhlazený signál. Co to podle tebe udělá s autoregresním modelem?
prices_perc_shifted a model (aktualizovaný na okno 40) jsou k dispozici ve tvém pracovním prostoru.
Toto cvičení je součástí kurzu
Machine Learning pro data časových řad v Pythonu
Pokyny k cvičení
Pomocí funkce (visualize_coefficients()), kterou jsi vytvořil/a v předchozím cvičení, vygeneruj graf s koeficienty model a názvy sloupců prices_perc_shifted.
Interaktivní cvičení na vyzkoušení si v praxi
Vyzkoušejte si toto cvičení dokončením tohoto ukázkového kódu.
# Visualize the output data up to "2011-01"
fig, axs = plt.subplots(2, 1, figsize=(10, 5))
y.loc[:'2011-01'].plot(ax=axs[0])
# Run the function to visualize model's coefficients
visualize_coefficients(____, ____, ax=axs[1])
plt.show()