建立訓練與測試特徵
在擬合線性模型之前，我們要在特徵中加入常數項，這樣線性模型就會有截距。
我們也要建立訓練與測試的特徵。如此一來，我們可以用訓練資料集來擬合模型，並在測試資料集上評估效能。我們一定要在模型未見過的資料上檢查效能，以確保沒有過度擬合，也就是把訓練資料中的模式記得過於精確。
對這類時間序列，我們通常會把最舊的資料當成訓練集，最新的資料當成測試集。如此可以在最新資料上評估模型表現，更貼近尚未觀察到的新資料之預測情境。
本練習屬於課程
Python 金融 Machine Learning
練習說明
- 以別名
sm匯入statsmodels.api函式庫。 - 使用 statsmodels 的
.add_constant()函式替變數features加入常數項。 - 使用
features或targets的.shape[0]屬性，將train_size設為資料點總數（列數）的 85%。 - 使用
train_size與 Python 索引（例如[start:stop]）將linear_features與targets切分為訓練集與測試集。
動手互動練習
試著完成這個範例程式碼，體驗一下這個練習。
# Import the statsmodels.api library with the alias sm
___
# Add a constant to the features
linear_features = sm.____(features)
# Create a size for the training set that is 85% of the total number of samples
train_size = int(0.85 * ____)
train_features = linear_features[:train_size]
train_targets = targets[____]
test_features = linear_features[train_size:]
test_targets = targets[train_size:]
print(linear_features.shape, train_features.shape, test_features.shape)