Ajuste um modelo linear
Agora vamos ajustar um modelo linear, porque ele é simples e fácil de entender. Depois de ajustar o modelo, podemos ver quais variáveis preditoras parecem estar linearmente correlacionadas de forma relevante com o alvo, assim como a magnitude do seu efeito no alvo. Nossa avaliação sobre se os preditores são significativos se baseia nos p-values dos coeficientes. Isso usa um teste t para verificar estatisticamente se o coeficiente difere significativamente de 0. O p-value é a probabilidade (em porcentagem) de que o coeficiente de uma feature não difira de zero. Normalmente, consideramos um p-value menor que 0,05 como indicação de que o coeficiente é significativamente diferente de 0.
Este exercicio faz parte do curso
Machine Learning para Finanças em Python
Instruções do exercicio
- Ajuste o modelo linear (usando o método
.fit()) e salve os resultados na variávelresults. - Imprima o sumário dos resultados com a função
.summary(). - Imprima os p-values dos resultados (a propriedade
.pvaluesderesults). - Faça previsões a partir de
train_featuresetest_featuresusando a função.predict()do nosso objetoresults.
exercicio interativo prático
Tente este exercicio completando este código de exemplo.
# 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 = ____