Частный случай: авторегрессионные модели
Теперь, когда вы создали сдвинутые по времени версии одного временного ряда, можно обучить авторегрессионную модель. Это регрессионная модель, в которой входные признаки представляют собой сдвинутые по времени версии выходного временного ряда. Вы используете предыдущие значения временного ряда для предсказания его текущих значений (именно поэтому модель называется авторегрессионной).
Анализируя коэффициенты этой модели, можно обнаружить повторяющиеся закономерности во временном ряду и оценить, насколько далеко в прошлое нужно смотреть, чтобы значение точки данных было предсказательным для будущего.
Это упражнение является частью курса
Машинное обучение для данных временных рядов на Python
Инструкции к упражнению
- Замените пропущенные значения в
prices_perc_shiftedмедианой DataFrame и присвойте результат переменнойX. - Замените пропущенные значения в
prices_percмедианой ряда и присвойте результат переменнойy. - Обучите регрессионную модель, используя массивы
Xиy.
Интерактивное практическое упражнение
Попробуйте выполнить это упражнение, дополнив этот пример кода.
# 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(____, ____)