Навчіть лінійну модель

Тепер навчимо лінійну модель, адже вона проста й легко інтерпретується. Після навчання ми зможемо побачити, які предиктори мають змістовну лінійну кореляцію з ціллю, а також оцінити силу їхнього впливу на ціль. Рішення про значущість предикторів ґрунтується на p-значеннях коефіцієнтів. Це t-тест, який статистично перевіряє, чи коефіцієнт істотно відрізняється від 0. P-значення — це ймовірність того, що коефіцієнт для ознаки не відрізняється від нуля. Зазвичай p-значення менше 0,05 вважають ознакою того, що коефіцієнт істотно відрізняється від 0.

Ця вправа є частиною курсу

Machine Learning для фінансів у Python

Переглянути курс

Інструкції до вправи

Навчіть лінійну модель (методом .fit()) і збережіть результати у змінній results.
Виведіть зведення результатів за допомогою функції .summary().
Виведіть p-значення з результатів (властивість .pvalues об'єкта results).
Зробіть передбачення для train_features і test_features, використовуючи функцію .predict() об'єкта results.

Інтерактивна практична вправа

Спробуйте виконати цю вправу, доповнивши цей зразок коду.

# Create the linear model and complete the least squares fit
model = sm.OLS(train_targets, train_features)
results = model.____  # fit the model
print(results.____)

# examine pvalues
# Features with p <= 0.05 are typically considered significantly different from 0
print(results.____)

# Make predictions from our model for train and test sets
train_predictions = results.predict(train_features)
test_predictions = ____

Редагувати та запускати код