Ajusta un modelo lineal
Ahora vamos a ajustar un modelo lineal, porque son sencillos y fáciles de interpretar. Una vez ajustado, podemos ver qué variables predictoras parecen estar linealmente correlacionadas de forma significativa con el objetivo, así como la magnitud de su efecto. Nuestra valoración sobre si los predictores son significativos se basa en los p-valores de los coeficientes. Esto utiliza una prueba t para comprobar estadísticamente si el coeficiente difiere de forma significativa de 0. El p-valor es el porcentaje de probabilidad de que el coeficiente de una característica no difiera de cero. Por lo general, consideramos que un p-valor inferior a 0,05 indica que el coeficiente es significativamente distinto de 0.
Este ejercicio forma parte del curso
Machine Learning para finanzas con Python
Instrucciones del ejercicio
- Ajusta el modelo lineal (usando el método
.fit()) y guarda los resultados en la variableresults. - Imprime el resumen de resultados con la función
.summary(). - Imprime los p-valores de los resultados (la propiedad
.pvaluesderesults). - Realiza predicciones a partir de
train_featuresytest_featuresusando la función.predict()de nuestro objetoresults.
ejercicio interactivo práctico
Prueba este ejercicio completando este código de ejemplo.
# 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 = ____