เริ่มต้นใช้งานเริ่มต้นใช้งานได้ฟรี

การประมาณค่าระหว่างช่วง (Interpolation)

ในแบบฝึกหัดนี้ จะสร้างโมเดลเชิงเส้นโดยฟิตข้อมูลอนุกรมเวลารายเดือนของดัชนี Dow Jones Industrial Average (DJIA) จากนั้นใช้โมเดลนั้นพยากรณ์ข้อมูลรายวัน (ซึ่งเป็นการประมาณค่าระหว่างช่วง) แล้วเปรียบเทียบผลพยากรณ์รายวันกับข้อมูล DJIA รายวันจริง

ข้อมูลเพิ่มเติมเกี่ยวกับชุดข้อมูล: "OHLC" ย่อมาจาก "Open-High-Low-Close" ซึ่งโดยทั่วไปเป็นข้อมูลรายวัน เช่น ราคาเปิดและราคาปิด รวมถึงราคาสูงสุดและต่ำสุดของหุ้นในแต่ละวัน ส่วน "DayCount" คือจำนวนวันนับจากวันเริ่มต้นของการเก็บข้อมูลในรูปแบบจำนวนเต็ม

แบบฝึกหัดนี้เป็นส่วนหนึ่งของหลักสูตร

Introduction to Linear Modeling in Python

ดูคอร์ส

คำแนะนำการฝึกหัด

  • ใช้ ols() และ .fit() เพื่อสร้างโมเดลจากข้อมูล data=df_monthly โดยกำหนด formula="Close ~ DayCount"
  • ใช้ model_fit.predict() กับทั้ง df_monthly.DayCount และ df_daily.DayCount เพื่อพยากรณ์ราคา Close รายเดือนและรายวัน แล้วเก็บผลลัพธ์เป็นคอลัมน์ใหม่ชื่อ Model ใน DataFrame แต่ละตัว
  • ใช้ฟังก์ชัน plot_model_with_data ที่กำหนดไว้ล่วงหน้าสองครั้ง โดยใช้กับ df_monthly และ df_daily แล้วเปรียบเทียบค่า RSS ที่แสดงผล

แบบฝึกหัดเชิงโต้ตอบแบบลงมือทำ

ลองทำแบบฝึกหัดนี้โดยเติมโค้ดตัวอย่างนี้ให้สมบูรณ์

# build and fit a model to the df_monthly data
model_fit = ols('Close ~ DayCount', ____=df_monthly).____()

# Use the model FIT to the MONTHLY data to make a predictions for both monthly and daily data
df_monthly['Model'] = model_fit.____(df_monthly.____)
df_daily['Model'] = model_fit.____(df_daily.____)

# Plot the monthly and daily data and model, compare the RSS values seen on the figures
fig_monthly = plot_model_with_data(____)
fig_daily = plot_model_with_data(____)
แก้ไขและรันโค้ด