Een lineair model fitten

We gaan nu een lineair model fitten, omdat dat simpel en goed te begrijpen is. Nadat we het model hebben gefit, kunnen we zien welke voorspellers (predictor-variabelen) zinvol lineair gecorreleerd lijken met de target, en hoe groot hun effect op de target is. We beoordelen of voorspellers significant zijn op basis van de p-waarden van de coëfficiënten. Dit gebruikt een t-test om statistisch te toetsen of de coëfficiënt significant verschilt van 0. De p-waarde is de kans (in procenten) dat de coëfficiënt voor een feature niet afwijkt van nul. Meestal beschouwen we een p-waarde kleiner dan 0,05 als bewijs dat de coëfficiënt significant verschilt van 0.

Deze oefening maakt deel uit van de cursus

Machine Learning voor finance in Python

Bekijk cursus

Oefeninstructies

Fit het lineaire model (met de methode .fit()) en sla de resultaten op in de variabele results.
Print de samenvatting van de resultaten met de functie .summary().
Print de p-waarden uit de resultaten (de eigenschap .pvalues van results).
Maak voorspellingen op basis van train_features en test_features met de functie .predict() van ons results-object.

Interactieve oefening met praktijkervaring

Probeer deze oefening door deze voorbeeldcode aan te vullen.

# 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 = ____

Code bewerken en uitvoeren