Autorégression avec une série chronologique plus lisse
Reprenons maintenant la même procédure avec un signal plus lisse. Vous utiliserez le même algorithme de variation en pourcentage qu'auparavant, mais cette fois avec une fenêtre beaucoup plus grande (40 au lieu de 20). À mesure que la fenêtre augmente, l'écart entre les points de temps voisins diminue, ce qui donne un signal plus lisse. Selon vous, quel sera l'effet sur le modèle autorégressif?
prices_perc_shifted et model (mis à jour pour utiliser une fenêtre de 40) sont disponibles dans votre espace de travail.
Cette activité fait partie du cours
Machine Learning pour les données chronologiques en Python
Instructions de l’exercice
À l'aide de la fonction (visualize_coefficients()) que vous avez créée au dernier exercice, générez un graphique avec les coefficients de model et les noms de colonnes de prices_perc_shifted.
Exercice interactif pratique
Essayez cet exercice en complétant ce code d’exemple.
# 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()