创建训练集与测试集特征
在拟合线性模型之前，我们需要为特征添加常数项，以便模型包含截距。
我们还要创建训练集和测试集特征。这样可以在训练数据集上拟合模型，并在测试数据集上评估性能。我们始终要在模型未见过的数据上检查表现，以确保没有过拟合，即过于精确地记忆了训练数据中的模式。
对于这样的时间序列，通常将最早的数据作为训练集，将最新的数据作为测试集。这样可以在最新数据上评估模型性能，更贴近对未来未见数据进行预测的真实场景。
本练习是课程的一部分
Python 金融机器学习
练习说明
- 以别名
sm导入statsmodels.api库。 - 使用 statsmodels 的
.add_constant()函数为变量features添加常数项。 - 使用
features或targets的.shape[0]属性，设置train_size为数据点总数（行数）的 85%。 - 使用
train_size和 Python 索引（例如[start:stop]），将linear_features和targets划分为训练集与测试集。
交互式实操练习
通过完成这段示例代码来试试这个练习。
# 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)