Model fitten: prelude
Top, je begrijpt nu de modelorde! Het begrijpen van de orde is belangrijk bij het fitten van modellen. Je moet altijd de orde kiezen van het model dat je op je gegevens fit, ongeacht wat die gegevens zijn.
In deze oefening ga je een eenvoudige fit uitvoeren. Modellen fitten is de volgende sleutelstap richting voorspellen. We gaan hier in het volgende hoofdstuk dieper op in, maar we nemen alvast een voorsprong.
Er is voorbeelddata voor een ARMA(1,1) gemaakt en beschikbaar in je omgeving als y. Deze data kan bijvoorbeeld de hoeveelheid verkeersopstopping voorstellen. Je zou voorspellingen hiervan kunnen gebruiken om efficiënte routes voor bestuurders te suggereren.
Deze oefening maakt deel uit van de cursus
ARIMA-modellen in Python
Oefeninstructies
- Importeer de
ARIMA-modelklasse uit de submodulestatsmodels.tsa.arima.model. - Maak een modelobject en geef de tijdreeks
yen de modelorde(1,0,1)mee. Ken dit toe aan de variabelemodel. - Gebruik de
.fit()-methode van het model om het op de data te fitten.
Praktische interactieve oefening
Probeer deze oefening eens door deze voorbeeldcode in te vullen.
# Import the ARIMA model
from ____ import ____
# Instantiate the model
model = ____(____, order=____)
# Fit the model
results = ____