Cas particulier : modèles autorégressifs
Maintenant que vous avez créé des versions décalées dans le temps d'une seule série chronologique, vous pouvez ajuster un modèle autorégressif. Il s'agit d'un modèle de régression où les variables d'entrée sont des versions décalées dans le temps de la série de sortie. Vous utilisez des valeurs passées d'une série chronologique pour prédire ses valeurs actuelles (d'où le terme « autorégressif »).
En examinant les coefficients de ce modèle, vous pouvez explorer les motifs répétitifs présents dans une série chronologique et estimer à quelle profondeur dans le passé un point de données demeure prédictif de l'avenir.
Cette activité fait partie du cours
Machine Learning pour les données chronologiques en Python
Instructions de l’exercice
- Remplacez les valeurs manquantes dans
prices_perc_shiftedpar la médiane du DataFrame et affectez le résultat àX. - Remplacez les valeurs manquantes dans
prices_percpar la médiane de la série et affectez le résultat ày. - Ajustez un modèle de régression à l'aide des tableaux
Xety.
Exercice interactif pratique
Essayez cet exercice en complétant ce code d’exemple.
# 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(____, ____)