Обучение линейной модели
Теперь мы обучим линейную модель — она проста и хорошо поддаётся интерпретации. После обучения можно определить, какие признаки линейно коррелируют с целевой переменной, и оценить силу их влияния. Значимость предикторов оценивается на основе p-значений коэффициентов. Для этого применяется t-тест, который проверяет, значимо ли коэффициент отличается от нуля. P-значение показывает вероятность того, что коэффициент признака не отличается от нуля. Как правило, если p-значение меньше 0,05, коэффициент считается значимо отличным от нуля.
Это упражнение является частью курса
Машинное обучение для финансов на Python
Инструкции к упражнению
- Обучите линейную модель с помощью метода
.fit()и сохраните результаты в переменнуюresults. - Выведите сводку результатов с помощью функции
.summary(). - Выведите p-значения из результатов (свойство
.pvaluesобъектаresults). - Получите предсказания для
train_featuresиtest_featuresс помощью функции.predict()объектаresults.
Интерактивное практическое упражнение
Попробуйте выполнить это упражнение, дополнив этот пример кода.
# 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 = ____