Crearea caracteristicilor decalate în timp
În machine learning aplicat pe serii de timp, este o practică obișnuită să folosești informații din punctele temporale anterioare pentru a prezice un punct următor.
În acest exercițiu, vei „decala" datele brute și vei vizualiza rezultatele. Vei folosi seria de timp a variației procentuale pe care ai calculat-o în capitolul anterior, de data aceasta cu o fereastră foarte scurtă. O fereastră scurtă este importantă deoarece, într-un scenariu real, vrei să prezici fluctuațiile zilnice ale unei serii de timp, nu variația acesteia pe o perioadă mai lungă.
Acest exercițiu face parte din cursul
Machine Learning pentru Date de Tip Șir de Timp în Python
Instrucțiuni pentru exercițiu
- Folosește o expresie de tip dicționar comprehension pentru a crea mai multe versiuni decalate în timp ale lui
prices_perc, utilizând decalajele specificate înshifts. - Convertește rezultatul într-un DataFrame.
- Folosește codul furnizat pentru a vizualiza rezultatele.
Exercițiu interactiv practic
Încearcă acest exercițiu completând acest cod de exemplu.
# These are the "time lags"
shifts = np.arange(1, 11).astype(int)
# Use a dictionary comprehension to create name: value pairs, one pair per shift
shifted_data = {"lag_{}_day".format(day_shift): prices_perc.____(____) for day_shift in shifts}
# Convert into a DataFrame for subsequent use
prices_perc_shifted = ____(shifted_data)
# Plot the first 100 samples of each
ax = prices_perc_shifted.iloc[:100].plot(cmap=plt.cm.viridis)
prices_perc.iloc[:100].plot(color='r', lw=2)
ax.legend(loc='best')
plt.show()