Przypadek szczególny: modele autoregresyjne
Skoro masz już przesunięte w czasie wersje pojedynczego szeregu czasowego, możesz dopasować model autoregresyjny. To model regresji, w którym cechami wejściowymi są przesunięte w czasie wersje wyjściowego szeregu czasowego. Innymi słowy, do przewidywania bieżących wartości szeregu czasowego używasz jego wcześniejszych wartości (stąd nazwa: autoregresja).
Analizując współczynniki tego modelu, możesz odkryć powtarzające się wzorce w szeregu czasowym i ocenić, jak daleko w przeszłość sięga predykcyjna moc poszczególnych punktów danych.
To ćwiczenie jest częścią kursu
Uczenie maszynowe dla danych szeregów czasowych w Pythonie
Instrukcje do ćwiczenia
- Zastąp brakujące wartości w
prices_perc_shiftedmedianą ramki danych i przypisz wynik doX. - Zastąp brakujące wartości w
prices_percmedianą serii i przypisz wynik doy. - Dopasuj model regresji, używając tablic
Xiy.
Interaktywne ćwiczenie praktyczne
Spróbuj tego ćwiczenia, uzupełniając ten przykładowy kod.
# Replace missing values with the median for each column
X = prices_perc_shifted.____(np.____(prices_perc_shifted))
y = prices_perc.____(np.___(prices_perc))
# Fit the model
model = Ridge()
model.fit(____, ____)