Ajuster un modèle linéaire
Nous allons maintenant ajuster un modèle linéaire, car il est simple et facile à comprendre. Une fois le modèle ajusté, nous pourrons voir quelles variables prédictives semblent être linéairement corrélées de manière significative avec la cible, ainsi que l'ampleur de leur effet sur celle-ci. Notre jugement quant au caractère significatif des prédicteurs repose sur les p-valeurs des coefficients. On utilise ici un test t pour vérifier statistiquement si le coefficient diffère significativement de 0. La p-valeur correspond à la probabilité que le coefficient d'une variable ne diffère pas de zéro. En général, une p-valeur inférieure à 0,05 indique que le coefficient est significativement différent de 0.
Cet exercice fait partie du cours
<cours>Machine Learning pour la finance en Python</cours>Instructions de l’exercice
- Ajustez le modèle linéaire (avec la méthode
.fit()) et enregistrez les résultats dans la variableresults. - Affichez le récapitulatif des résultats avec la fonction
.summary(). - Affichez les p-valeurs à partir des résultats (la propriété
.pvaluesderesults). - Effectuez des prédictions à partir de
train_featuresettest_featuresen utilisant la fonction.predict()de l'objetresults.
Exercice interactif pratique
Essayez cet exercice en complétant ce code d’exemple.
# 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 = ____