Caso speciale: modelli auto-regressivi
Ora che hai creato versioni con sfasamento temporale di una singola serie temporale, puoi adattare un modello auto-regressivo. Si tratta di un modello di regressione in cui le caratteristiche in input sono versioni con sfasamento temporale dei dati della serie temporale in output. Stai usando valori passati di una serie temporale per prevedere i valori correnti della stessa serie (per questo è auto-regressivo).
Esaminando i coefficienti di questo modello, puoi esplorare eventuali pattern ripetitivi presenti in una serie temporale e farti un’idea di quanto lontano nel passato un punto dati sia predittivo del futuro.
Questo esercizio fa parte del corso
Machine Learning per dati di serie temporali in Python
Istruzioni dell'esercizio
- Sostituisci i valori mancanti in
prices_perc_shiftedcon la mediana del DataFrame e assegnalo aX. - Sostituisci i valori mancanti in
prices_perccon la mediana della serie e assegnalo ay. - Adatta un modello di regressione usando gli array
Xey.
esercizio interattivo pratico
Prova questo esercizio completando questo codice di esempio.
# 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(____, ____)