Ein lineares Modell fitten

Wir fitten jetzt ein lineares Modell, weil es einfach und gut verständlich ist. Nachdem wir das Modell gefittet haben, können wir sehen, welche Prädiktorvariablen sinnvoll linear mit dem Target korreliert sind und wie stark ihr Effekt auf das Target ist. Unsere Beurteilung, ob Prädiktoren signifikant sind, basiert auf den p-Werten der Koeffizienten. Das entspricht einem t-Test, der statistisch prüft, ob sich der Koeffizient signifikant von 0 unterscheidet. Der p-Wert ist die prozentuale Wahrscheinlichkeit, dass sich der Koeffizient eines Features nicht von null unterscheidet. Typischerweise betrachten wir einen p-Wert kleiner als 0,05 als Hinweis darauf, dass sich der Koeffizient signifikant von 0 unterscheidet.

Diese Übung ist Teil des Kurses

<Kurs>Maschinelles Lernen für Finanzen in Python</Kurs>

Kurs ansehen

Übungsanweisungen

Fitte das lineare Modell (mit der Methode .fit()) und speichere die Ergebnisse in der Variablen results.
Gib die Ergebniszusammenfassung mit der Funktion .summary() aus.
Gib die p-Werte der Ergebnisse aus (die Eigenschaft .pvalues von results).
Erzeuge Vorhersagen aus train_features und test_features mit der Funktion .predict() des results-Objekts.

Interaktive praktische Übung

Versuche dich an dieser Übung, indem du diesen Beispielcode vervollständigst.

# Create the linear model and complete the least squares fit
model = sm.OLS(train_targets, train_features)
results = model.____  # fit the model
print(results.____)

# examine pvalues
# Features with p <= 0.05 are typically considered significantly different from 0
print(results.____)

# Make predictions from our model for train and test sets
train_predictions = results.predict(train_features)
test_predictions = ____

Code bearbeiten und ausführen