Особливий випадок: авторегресійні моделі

Тепер, коли ви створили зсунути в часі версії одного ряду, можна навчити авторегресійну модель. Це регресійна модель, у якій вхідними ознаками є часові зсуви вихідного часового ряду. Тобто ви використовуєте попередні значення часового ряду, щоб передбачити поточні значення того самого ряду (саме тому вона авторегресійна).

Дослідивши коефіцієнти цієї моделі, ви зможете виявити повторювані шаблони в часовому ряді та зрозуміти, наскільки далеко в минуле точка даних є інформативною для прогнозу майбутнього.

Ця вправа є частиною курсу

Machine Learning для часових рядів у Python

Переглянути курс

Інструкції до вправи

Замініть пропущені значення в prices_perc_shifted на медіану датафрейму та присвойте результат змінній X.
Замініть пропущені значення в prices_perc на медіану цього ряду та присвойте результат змінній y.
Навчіть регресійну модель, використовуючи масиви X і y.

Інтерактивна практична вправа

Спробуйте виконати цю вправу, доповнивши цей зразок коду.

# Replace missing values with the median for each column
X = prices_perc_shifted.____(np.____(prices_perc_shifted))
y = prices_perc.____(np.___(prices_perc))

# Fit the model
model = Ridge()
model.fit(____, ____)

Редагувати та запускати код