Autoregresja na wygładzonej szeregowej czasowej
Teraz uruchomimy tę samą procedurę, ale na wygładszym sygnale. Użyjesz tego samego algorytmu procentowej zmiany co poprzednio, jednak tym razem z dużo większym oknem (40 zamiast 20). Im większe okno, tym mniejsza różnica między sąsiednimi punktami czasowymi – w efekcie otrzymujesz wygładzony sygnał. Jak myślisz, jak wpłynie to na model autoregresyjny?
prices_perc_shifted oraz model (zaktualizowany do okna o rozmiarze 40) są dostępne w twoim środowisku pracy.
To ćwiczenie jest częścią kursu
Uczenie maszynowe dla danych szeregów czasowych w Pythonie
Instrukcje do ćwiczenia
Korzystając z funkcji (visualize_coefficients()), którą stworzyłeś w poprzednim ćwiczeniu, wygeneruj wykres ze współczynnikami model i nazwami kolumn prices_perc_shifted.
Interaktywne ćwiczenie praktyczne
Spróbuj tego ćwiczenia, uzupełniając ten przykładowy kod.
# Visualize the output data up to "2011-01"
fig, axs = plt.subplots(2, 1, figsize=(10, 5))
y.loc[:'2011-01'].plot(ax=axs[0])
# Run the function to visualize model's coefficients
visualize_coefficients(____, ____, ax=axs[1])
plt.show()