Dopasowanie modelu liniowego
Dopasujemy teraz model liniowy – jest prosty i łatwy do zrozumienia. Po dopasowaniu modelu można sprawdzić, które zmienne predykcyjne wykazują istotną liniową korelację z wartością docelową, a także ocenić siłę ich wpływu. O tym, czy dany predyktor jest istotny, decydują wartości p współczynników. Wyznacza się je za pomocą testu t, który sprawdza, czy współczynnik różni się istotnie od zera. Wartość p to prawdopodobieństwo (wyrażone w procentach), że współczynnik dla danej cechy nie różni się od zera. Przyjmuje się, że wartość p poniżej 0,05 oznacza, że współczynnik jest istotnie różny od zera.
To ćwiczenie jest częścią kursu
Uczenie maszynowe w finansach z Pythonem
Instrukcje do ćwiczenia
- Dopasuj model liniowy (używając metody
.fit()) i zapisz wyniki w zmiennejresults. - Wyświetl podsumowanie wyników za pomocą funkcji
.summary(). - Wyświetl wartości p z wyników (właściwość
.pvaluesobiekturesults). - Utwórz prognozy na podstawie
train_featuresitest_features, używając funkcji.predict()obiekturesults.
Interaktywne ćwiczenie praktyczne
Spróbuj tego ćwiczenia, uzupełniając ten przykładowy kod.
# 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 = ____