Adatta un modello lineare
Ora adatteremo un modello lineare, perché è semplice e facile da comprendere. Una volta adattato il modello, possiamo vedere quali variabili predittive risultano significativamente correlate in modo lineare con il target e anche la loro ampiezza di effetto sul target. Valuteremo la significatività dei predittori in base ai p-value dei coefficienti. Si utilizza un t-test per verificare statisticamente se il coefficiente differisce in modo significativo da 0. Il p-value rappresenta la probabilità (in percentuale) che il coefficiente di una feature non differisca da zero. In genere, consideriamo un p-value inferiore a 0,05 come indicazione che il coefficiente è significativamente diverso da 0.
Questo esercizio fa parte del corso
Machine Learning per la finanza in Python
Istruzioni dell'esercizio
- Adatta il modello lineare (usando il metodo
.fit()) e salva i risultati nella variabileresults. - Stampa il riepilogo dei risultati con la funzione
.summary(). - Stampa i p-value dai risultati (la proprietà
.pvaluesdiresults). - Crea previsioni da
train_featuresetest_featuresusando la funzione.predict()dell'oggettoresults.
esercizio interattivo pratico
Prova questo esercizio completando questo codice di esempio.
# 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 = ____