Tijdverschoven features maken
Bij Machine Learning voor tijdreeksen gebruik je vaak informatie uit eerdere tijdstippen om een volgend tijdstip te voorspellen.
In deze oefening ga je je ruwe data "verschuiven" en de resultaten visualiseren. Je gebruikt de tijdreeks met percentuele verandering die je in het vorige hoofdstuk hebt berekend, dit keer met een heel kort venster. Een kort venster is belangrijk, omdat je in een realistische situatie de dagelijkse schommelingen van een tijdreeks wilt voorspellen, niet de verandering over een langere periode.
Deze oefening maakt deel uit van de cursus
Machine Learning voor tijdreeksgegevens in Python
Oefeninstructies
- Gebruik een dictionary-comprehension om meerdere tijdverschoven versies van
prices_percte maken met de vertragingen die inshiftszijn opgegeven. - Zet het resultaat om in een DataFrame.
- Gebruik de gegeven code om de resultaten te visualiseren.
Interactieve oefening met praktijkervaring
Probeer deze oefening door deze voorbeeldcode aan te vullen.
# These are the "time lags"
shifts = np.arange(1, 11).astype(int)
# Use a dictionary comprehension to create name: value pairs, one pair per shift
shifted_data = {"lag_{}_day".format(day_shift): prices_perc.____(____) for day_shift in shifts}
# Convert into a DataFrame for subsequent use
prices_perc_shifted = ____(shifted_data)
# Plot the first 100 samples of each
ax = prices_perc_shifted.iloc[:100].plot(cmap=plt.cm.viridis)
prices_perc.iloc[:100].plot(color='r', lw=2)
ax.legend(loc='best')
plt.show()