ПочатиПочніть безкоштовно

Діагностика графіками

Важливо розуміти, коли потрібно повернутися до етапу проєктування моделі. У цій вправі ви використаєте 4 поширені графіки, щоб вирішити, чи добре модель підходить до даних.

Нижче — нагадування, що варто побачити на кожному з графіків для моделі з якісною підгонкою:

Тест Якісна підгонка
Стандартизовані залишки У залишках немає очевидних шаблонів
Гістограма плюс оцінка KDE Крива KDE має бути дуже схожою на нормальний розподіл
Нормальний Q-Q Більшість точок мають лежати на прямій лінії
Корелограма 95% кореляцій для лаґів, більших за нуль, не мають бути значущими

Невідома часова низка df і клас моделі ARIMA доступні у вашому середовищі.-

Ця вправа є частиною курсу

Моделі ARIMA в Python

Переглянути курс

Інтерактивна практична вправа

Спробуйте виконати цю вправу, доповнивши цей зразок коду.

# Create and fit model
model = ARIMA(df, order=(____))
results = model.fit()

# Create the 4 diagnostics plots
____
plt.show()
Редагувати та запускати код