Seizoensdecompositie
Je kunt een tijdreeks zien als opgebouwd uit trend-, seizoens- en residuele componenten. Dit is een handige manier om over de data na te denken als je een model gaat bouwen. Als je de periode van de tijdreeks kent, kun je die in deze componenten ontbinden.
In deze oefening ga je een tijdreeks ontbinden die de maandelijkse melkproductie per koe in de VS laat zien. Zo krijg je een duidelijker beeld van de trend en de seizoenscyclus. Omdat de data maandelijks is, ligt het voor de hand dat de seizoensperiode 12 tijdsintervallen is, maar dat is niet altijd zo.
De tijdreeks voor melkproductie is ingeladen in de DataFrame milk_production en is beschikbaar in je omgeving.
Deze oefening maakt deel uit van de cursus
ARIMA-modellen in Python
Oefeninstructies
- Importeer de functie
seasonal_decompose()uitstatsmodels.tsa.seasonal. - Decomposeer de kolom
'pounds_per_cow'vanmilk_productionmet een additief model en een periode van 12 maanden. - Plot de decompositie.
Praktische interactieve oefening
Probeer deze oefening eens door deze voorbeeldcode in te vullen.
# Import seasonal decompose
from ____ import ____
# Perform additive decomposition
decomp = seasonal_decompose(___,
period=____)
# Plot decomposition
____
plt.show()