Autorregresión con una serie temporal más suave
Ahora vamos a repetir el mismo procedimiento usando una señal más suave. Utilizarás el mismo algoritmo de variación porcentual que antes, pero esta vez con una ventana mucho más grande (40 en lugar de 20). A medida que la ventana crece, la diferencia entre puntos temporales vecinos se hace más pequeña, lo que da como resultado una señal más suave. ¿Qué crees que le pasará al modelo autorregresivo?
prices_perc_shifted y model (actualizado para usar una ventana de 40) están disponibles en tu espacio de trabajo.
Este ejercicio forma parte del curso
Machine Learning para datos de series temporales en Python
Instrucciones del ejercicio
Usando la función (visualize_coefficients()) que creaste en el ejercicio anterior, genera una gráfica con los coeficientes de model y los nombres de columna de prices_perc_shifted.
Ejercicio interactivo práctico
Prueba este ejercicio y completa el código de muestra.
# 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()