Enterpolasyon: Aradaki Zamanlar
Bu egzersizde, Dow Jones Industrial Average (DJIA) için aylık zaman serisi verilerini uydurarak bir doğrusal model kuracak ve sonra bu modeli günlük veriler için tahmin yapmakta kullanacaksın (özünde bir enterpolasyon). Ardından bu günlük tahmini gerçek günlük DJIA verileriyle karşılaştıracaksın.
Verilerle ilgili birkaç not: "OHLC"; "Open-High-Low-Close" (Açılış–Yüksek–Düşük–Kapanış) anlamına gelir ve genelde günlük verileri ifade eder; örneğin bir hisse senedinin belirli bir gündeki açılış ve kapanış fiyatları ile en yüksek ve en düşük fiyatları. "DayCount" ise veri toplamanın başlangıcından itibaren geçen gün sayısını belirten tamsayı bir değerdir.
Bu egzersiz, kursun bir parçasıdır
Python ile Doğrusal Modellemenin Temelleri
Egzersiz talimatları
ols()kullanarakdata=df_monthlyveformula="Close ~ DayCount"ile bir modeli.fit()et.- Aylık ve günlük
Closefiyatları için değerleri tahmin etmek üzeremodel_fit.predict()'i hemdf_monthly.DayCounthem dedf_daily.DayCountüzerinde kullan; her DataFrame'de yeni birModelsütunu olarak kaydet. - Önceden tanımlı
plot_model_with_datafonksiyonunu hemdf_monthlyhem dedf_dailyüzerinde iki kez kullan ve gösterilen RSS değerlerini karşılaştır.
Uygulamalı etkileşimli egzersiz
Bu egzersizi bu örnek kodu tamamlayarak deneyin.
# 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(____)