Time-shifted फीचर बनाना
टाइम सीरीज़ के लिए मशीन लर्निंग में, बाद के समय-बिंदु की भविष्यवाणी करने के लिए पहले के समय-बिंदुओं की जानकारी का उपयोग आम है.
इस अभ्यास में, आप अपने raw डेटा को "shift" करेंगे और परिणामों का visualization करेंगे. आप वही percent change टाइम सीरीज़ उपयोग करेंगे जो आपने पिछले अध्याय में निकाली थी, लेकिन इस बार बहुत छोटे विंडो के साथ. छोटा विंडो इसलिए ज़रूरी है क्योंकि वास्तविक दुनिया में आप टाइम सीरीज़ के day-to-day उतार-चढ़ाव को भविष्यवाणी करना चाहते हैं, न कि लंबे विंडो में होने वाले बदलाव को.
यह अभ्यास पाठ्यक्रम का हिस्सा है
Python में Time Series Data के लिए Machine Learning
अभ्यास निर्देश
shiftsमें दिए गए lags का उपयोग करकेprices_percके कई time-shifted संस्करण बनाने के लिए dictionary comprehension का उपयोग करें.- परिणाम को एक DataFrame में बदलें.
- परिणामों को visualize करने के लिए दिए गए कोड का उपयोग करें.
इंटरैक्टिव व्यावहारिक अभ्यास
इस अभ्यास को इस नमूना कोड को पूरा करके आज़माएँ।
# These are the "time lags"
shifts = np.arange(1, 11).astype(int)
# Use a dictionary comprehension to create name: value pairs, one pair per shift
shifted_data = {"lag_{}_day".format(day_shift): prices_perc.____(____) for day_shift in shifts}
# Convert into a DataFrame for subsequent use
prices_perc_shifted = ____(shifted_data)
# Plot the first 100 samples of each
ax = prices_perc_shifted.iloc[:100].plot(cmap=plt.cm.viridis)
prices_perc.iloc[:100].plot(color='r', lw=2)
ax.legend(loc='best')
plt.show()