Zeitverschobene Features erstellen
Im Machine Learning für Zeitreihen ist es üblich, Informationen aus früheren Zeitpunkten zu nutzen, um einen späteren Zeitpunkt vorherzusagen.
In dieser Übung wirst du deine Rohdaten „verschieben“ und die Ergebnisse visualisieren. Du verwendest die Zeitreihe der prozentualen Veränderung, die du im vorherigen Kapitel berechnet hast – diesmal mit einem sehr kurzen Fenster. Ein kurzes Fenster ist wichtig, weil du in realen Szenarien die täglichen Schwankungen einer Zeitreihe vorhersagen möchtest, nicht die Veränderung über einen längeren Zeitraum.
Diese Übung ist Teil des Kurses
Maschinelles Lernen für Zeitreihendaten in Python
Anleitung zur Übung
- Verwende ein Dictionary Comprehension, um mehrere zeitverschobene Versionen von
prices_percmit den inshiftsangegebenen Lags zu erstellen. - Wandle das Ergebnis in ein DataFrame um.
- Nutze den gegebenen Code, um die Ergebnisse zu visualisieren.
Interaktive Übung
Vervollständige den Beispielcode, um diese Übung erfolgreich abzuschließen.
# These are the "time lags"
shifts = np.arange(1, 11).astype(int)
# Use a dictionary comprehension to create name: value pairs, one pair per shift
shifted_data = {"lag_{}_day".format(day_shift): prices_perc.____(____) for day_shift in shifts}
# Convert into a DataFrame for subsequent use
prices_perc_shifted = ____(shifted_data)
# Plot the first 100 samples of each
ax = prices_perc_shifted.iloc[:100].plot(cmap=plt.cm.viridis)
prices_perc.iloc[:100].plot(color='r', lw=2)
ax.legend(loc='best')
plt.show()