Plot diagnostics
การรู้ว่าเมื่อใดควรกลับไปออกแบบโมเดลใหม่เป็นสิ่งสำคัญมาก ในแบบฝึกหัดนี้ คุณจะใช้กราฟ 4 ประเภทเพื่อตัดสินว่าโมเดลเหมาะสมกับข้อมูลหรือไม่
นี่คือสิ่งที่ควรสังเกตในแต่ละกราฟสำหรับโมเดลที่ fit ได้ดี:
| การทดสอบ | โมเดล fit ได้ดี |
|---|---|
| Standardized residual | ค่าความคลาดเคลื่อนไม่มีรูปแบบที่ชัดเจน |
| Histogram plus kde estimate | เส้นโค้ง KDE ควรมีรูปร่างใกล้เคียงกับการแจกแจงปกติ |
| Normal Q-Q | จุดข้อมูลส่วนใหญ่ควรอยู่บนเส้นตรง |
| Correlogram | 95% ของค่าสหสัมพันธ์ที่ lag มากกว่าศูนย์ควรไม่มีนัยสำคัญ |
มี time series df ที่ไม่ทราบชนิด และคลาสโมเดล ARIMA พร้อมให้ใช้งานในสภาพแวดล้อมของคุณแล้ว-
แบบฝึกหัดนี้เป็นส่วนหนึ่งของหลักสูตร
ARIMA Models ใน Python
แบบฝึกหัดเชิงโต้ตอบแบบลงมือทำ
ลองทำแบบฝึกหัดนี้โดยเติมโค้ดตัวอย่างนี้ให้สมบูรณ์
# Create and fit model
model = ARIMA(df, order=(____))
results = model.fit()
# Create the 4 diagnostics plots
____
plt.show()