Cas particulier : modèles auto-régressifs
Maintenant que vous avez créé des versions décalées dans le temps d’une seule série temporelle, vous pouvez ajuster un modèle auto-régressif. Il s’agit d’un modèle de régression dont les variables d’entrée sont des versions décalées dans le temps de la série de sortie. Vous utilisez donc des valeurs passées d’une série temporelle pour prédire ses valeurs présentes (d’où le caractère auto-régressif).
En étudiant les coefficients de ce modèle, vous pouvez mettre en évidence d’éventuels motifs récurrents dans une série temporelle et estimer jusqu’à quel point dans le passé une observation demeure prédictive du futur.
Cet exercice fait partie du cours
Machine Learning for Time Series Data in Python
Instructions
- 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 en utilisant les tableaux
Xety.
Exercice interactif pratique
Essayez cet exercice en complétant cet exemple de code.
# 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(____, ____)