Sonderfall: Autoregressive Modelle

Jetzt, da du zeitverschobene Versionen einer einzelnen Zeitreihe erstellt hast, kannst du ein autoregressives Modell fitten. Das ist ein Regressionsmodell, bei dem die Eingangsfeatures zeitverschobene Versionen der Ausgabedaten der Zeitreihe sind. Du verwendest frühere Werte einer Zeitreihe, um aktuelle Werte derselben Zeitreihe vorherzusagen (daher „autoregressiv“).

Durch die Untersuchung der Koeffizienten dieses Modells kannst du wiederkehrende Muster in einer Zeitreihe erkunden und ein Gefühl dafür bekommen, wie weit in der Vergangenheit ein Datenpunkt für die Zukunft prädiktiv ist.

Diese Übung ist Teil des Kurses

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

Kurs ansehen

Übungsanweisungen

Ersetze fehlende Werte in prices_perc_shifted durch den Median des DataFrames und weise das Ergebnis X zu.
Ersetze fehlende Werte in prices_perc durch den Median der Serie und weise das Ergebnis y zu.
Fitte ein Regressionsmodell mit den Arrays X und y.

Interaktive praktische Übung

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

# 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(____, ____)

Code bearbeiten und ausführen