स्मूदर टाइम सीरीज़ के साथ ऑटो-रिग्रेशन
अब आइए इसी प्रक्रिया को एक ज़्यादा स्मूद सिग्नल के साथ दोबारा चलाएँ. आप पहले की तरह ही वही percent change एल्गोरिदम इस्तेमाल करेंगे, लेकिन इस बार एक बड़ा विंडो लें (20 की बजाय 40). जैसे-जैसे विंडो बढ़ती है, पड़ोसी टाइमपॉइंट्स के बीच का फर्क कम होता जाता है, जिससे सिग्नल और स्मूद हो जाता है. आपके हिसाब से इसका ऑटो-रिग्रेसिव मॉडल पर क्या असर पड़ेगा?
prices_perc_shifted और model (जिसे 40 के विंडो के साथ अपडेट किया गया है) आपके वर्कस्पेस में उपलब्ध हैं.
यह अभ्यास पाठ्यक्रम का हिस्सा है
Python में Time Series Data के लिए Machine Learning
अभ्यास निर्देश
पिछले अभ्यास में आपने जो फंक्शन (visualize_coefficients()) बनाया था, उसका उपयोग करते हुए model के coefficients और prices_perc_shifted के कॉलम नामों के साथ एक प्लॉट जनरेट करें.
इंटरैक्टिव व्यावहारिक अभ्यास
इस अभ्यास को इस नमूना कोड को पूरा करके आज़माएँ।
# 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()