Caso especial: modelos autorregressivos
Agora que você criou versões defasadas de uma única série temporal, pode ajustar um modelo autorregressivo. Este é um modelo de regressão em que as variáveis de entrada são versões defasadas da própria série temporal de saída. Você está usando valores anteriores de uma série temporal para prever os valores atuais da mesma série (por isso, é autorregressivo).
Ao analisar os coeficientes desse modelo, você pode explorar padrões repetitivos existentes em uma série temporal e ter uma ideia de quão longe no passado um ponto de dado é preditivo do futuro.
Este exercício faz parte do curso
Machine Learning para dados de séries temporais em Python
Instruções do exercício
- Substitua valores ausentes em
prices_perc_shiftedpela mediana do DataFrame e atribua aX. - Substitua valores ausentes em
prices_percpela mediana da série e atribua ay. - Ajuste um modelo de regressão usando os arrays
Xey.
Exercício interativo prático
Experimente este exercício completando este código de exemplo.
# 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(____, ____)