Auto-régression avec une série temporelle plus lisse
Reprenons maintenant la même procédure avec un signal plus lisse. Vous allez utiliser le même algorithme de variation en pourcentage qu’auparavant, mais avec une fenêtre beaucoup plus large (40 au lieu de 20). À mesure que la fenêtre s’agrandit, l’écart entre les points temporels voisins diminue, ce qui donne un signal plus lisse. Selon vous, quel impact cela aura-t-il sur le modèle auto-régressif ?
prices_perc_shifted et model (mis à jour pour utiliser une fenêtre de 40) sont disponibles dans votre environnement de travail.
Cet exercice fait partie du cours
Machine Learning for Time Series Data in Python
Instructions
En utilisant la fonction (visualize_coefficients()) que vous avez créée dans l’exercice précédent, 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 cet exemple de code.
# 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()