Notice: This page requires JavaScript to function properly.
Please enable JavaScript in your browser settings or update your browser.Autoregressão | Modelos Estacionários
Análise de Séries Temporais
course content

Conteúdo do Curso

Análise de Séries Temporais

Análise de Séries Temporais

1. Séries Temporais: Vamos Começar
IntroduçãoExemplos PráticosTipos de ModeloImplementação em PythonVisualização
2. Processamento de Séries Temporais
Lendo e Visualizando DadosEstacionaridadeAutocorrelaçãoDecomposição
3. Visualização de Séries Temporais
Séries Temporais SimplesPersonalize Seu GráficoDesafio
4. Modelos Estacionários
Exemplos de Séries Temporais EstacionáriasMédia Móvel SimplesAutoregressãoModelo Autoregressivo Integrado de Médias MóveisDesafio
5. Modelos Não Estacionários
Exemplos de Séries Temporais Não EstacionáriasConverter Dados Não Estacionários em EstacionáriosDesafio 1Desafio 2
6. Resolver Problemas Reais
Previsão do TempoPrevisão de Demanda da LojaMercados FinanceirosPrever o Surgimento de Clientes RecorrentesMedicina: Previsão de EEG

Autoregressão

Vamos prosseguir para a revisão do modelo autoregressivo:

A fórmula é semelhante à fórmula de regressão linear, daí o nome. Ao invés do coeficiente, utiliza-se o valor passado de x.

Com statsmodels, podemos executar um modelo autoregressivo AutoReg():

Caso perceba, as previsões feitas pelo modelo autorregressivo são mais precisas do que aquelas do simples média móvel.

Vamos aprender como avaliar os resultados obtidos dos modelos treinados. O erro é calculado utilizando o erro médio quadrático. Isso é feito de maneira simples com a ajuda das funções sqrt() e mean_squared_error():

Da mesma forma, calculamos o valor do erro para o modelo anterior:

Quanto menor o valor do MSE, menor será o erro correspondente.

Tarefa

Crie um modelo autoregressivo e treine-o com o conjunto de dados shampoo.csv.

  1. Crie um modelo de autoregressão (Autoreg) com 6 defasagens para a coluna "Sales" do DataFrame df.
  2. Ajuste o model aos dados.
  3. Faça previsões usando o model. Comece a previsão na primeira linha (o parâmetro start) e configure o parâmetro dynamic para False.
  4. Visualize os resultados: mostre as primeiras 150 observações da coluna "Sales" do DataFrame df na primeira chamada da função .plot() e os primeiros 150 valores previstos na segunda chamada.

Tarefa

Crie um modelo autoregressivo e treine-o com o conjunto de dados shampoo.csv.

  1. Crie um modelo de autoregressão (Autoreg) com 6 defasagens para a coluna "Sales" do DataFrame df.
  2. Ajuste o model aos dados.
  3. Faça previsões usando o model. Comece a previsão na primeira linha (o parâmetro start) e configure o parâmetro dynamic para False.
  4. Visualize os resultados: mostre as primeiras 150 observações da coluna "Sales" do DataFrame df na primeira chamada da função .plot() e os primeiros 150 valores previstos na segunda chamada.
Mude para o desktop para praticar no mundo realContinue de onde você está usando uma das opções abaixo

Tudo estava claro?

Seção 4. Capítulo 3
toggle bottom row

Autoregressão

Vamos prosseguir para a revisão do modelo autoregressivo:

A fórmula é semelhante à fórmula de regressão linear, daí o nome. Ao invés do coeficiente, utiliza-se o valor passado de x.

Com statsmodels, podemos executar um modelo autoregressivo AutoReg():

Caso perceba, as previsões feitas pelo modelo autorregressivo são mais precisas do que aquelas do simples média móvel.

Vamos aprender como avaliar os resultados obtidos dos modelos treinados. O erro é calculado utilizando o erro médio quadrático. Isso é feito de maneira simples com a ajuda das funções sqrt() e mean_squared_error():

Da mesma forma, calculamos o valor do erro para o modelo anterior:

Quanto menor o valor do MSE, menor será o erro correspondente.

Tarefa

Crie um modelo autoregressivo e treine-o com o conjunto de dados shampoo.csv.

  1. Crie um modelo de autoregressão (Autoreg) com 6 defasagens para a coluna "Sales" do DataFrame df.
  2. Ajuste o model aos dados.
  3. Faça previsões usando o model. Comece a previsão na primeira linha (o parâmetro start) e configure o parâmetro dynamic para False.
  4. Visualize os resultados: mostre as primeiras 150 observações da coluna "Sales" do DataFrame df na primeira chamada da função .plot() e os primeiros 150 valores previstos na segunda chamada.

Tarefa

Crie um modelo autoregressivo e treine-o com o conjunto de dados shampoo.csv.

  1. Crie um modelo de autoregressão (Autoreg) com 6 defasagens para a coluna "Sales" do DataFrame df.
  2. Ajuste o model aos dados.
  3. Faça previsões usando o model. Comece a previsão na primeira linha (o parâmetro start) e configure o parâmetro dynamic para False.
  4. Visualize os resultados: mostre as primeiras 150 observações da coluna "Sales" do DataFrame df na primeira chamada da função .plot() e os primeiros 150 valores previstos na segunda chamada.
Mude para o desktop para praticar no mundo realContinue de onde você está usando uma das opções abaixo

Tudo estava claro?

Seção 4. Capítulo 3
toggle bottom row

Autoregressão

Vamos prosseguir para a revisão do modelo autoregressivo:

A fórmula é semelhante à fórmula de regressão linear, daí o nome. Ao invés do coeficiente, utiliza-se o valor passado de x.

Com statsmodels, podemos executar um modelo autoregressivo AutoReg():

Caso perceba, as previsões feitas pelo modelo autorregressivo são mais precisas do que aquelas do simples média móvel.

Vamos aprender como avaliar os resultados obtidos dos modelos treinados. O erro é calculado utilizando o erro médio quadrático. Isso é feito de maneira simples com a ajuda das funções sqrt() e mean_squared_error():

Da mesma forma, calculamos o valor do erro para o modelo anterior:

Quanto menor o valor do MSE, menor será o erro correspondente.

Tarefa

Crie um modelo autoregressivo e treine-o com o conjunto de dados shampoo.csv.

  1. Crie um modelo de autoregressão (Autoreg) com 6 defasagens para a coluna "Sales" do DataFrame df.
  2. Ajuste o model aos dados.
  3. Faça previsões usando o model. Comece a previsão na primeira linha (o parâmetro start) e configure o parâmetro dynamic para False.
  4. Visualize os resultados: mostre as primeiras 150 observações da coluna "Sales" do DataFrame df na primeira chamada da função .plot() e os primeiros 150 valores previstos na segunda chamada.

Tarefa

Crie um modelo autoregressivo e treine-o com o conjunto de dados shampoo.csv.

  1. Crie um modelo de autoregressão (Autoreg) com 6 defasagens para a coluna "Sales" do DataFrame df.
  2. Ajuste o model aos dados.
  3. Faça previsões usando o model. Comece a previsão na primeira linha (o parâmetro start) e configure o parâmetro dynamic para False.
  4. Visualize os resultados: mostre as primeiras 150 observações da coluna "Sales" do DataFrame df na primeira chamada da função .plot() e os primeiros 150 valores previstos na segunda chamada.
Mude para o desktop para praticar no mundo realContinue de onde você está usando uma das opções abaixo

Tudo estava claro?

Vamos prosseguir para a revisão do modelo autoregressivo:

A fórmula é semelhante à fórmula de regressão linear, daí o nome. Ao invés do coeficiente, utiliza-se o valor passado de x.

Com statsmodels, podemos executar um modelo autoregressivo AutoReg():

Caso perceba, as previsões feitas pelo modelo autorregressivo são mais precisas do que aquelas do simples média móvel.

Vamos aprender como avaliar os resultados obtidos dos modelos treinados. O erro é calculado utilizando o erro médio quadrático. Isso é feito de maneira simples com a ajuda das funções sqrt() e mean_squared_error():

Da mesma forma, calculamos o valor do erro para o modelo anterior:

Quanto menor o valor do MSE, menor será o erro correspondente.

Tarefa

Crie um modelo autoregressivo e treine-o com o conjunto de dados shampoo.csv.

  1. Crie um modelo de autoregressão (Autoreg) com 6 defasagens para a coluna "Sales" do DataFrame df.
  2. Ajuste o model aos dados.
  3. Faça previsões usando o model. Comece a previsão na primeira linha (o parâmetro start) e configure o parâmetro dynamic para False.
  4. Visualize os resultados: mostre as primeiras 150 observações da coluna "Sales" do DataFrame df na primeira chamada da função .plot() e os primeiros 150 valores previstos na segunda chamada.
Mude para o desktop para praticar no mundo realContinue de onde você está usando uma das opções abaixo
Seção 4. Capítulo 3
Mude para o desktop para praticar no mundo realContinue de onde você está usando uma das opções abaixo
We're sorry to hear that something went wrong. What happened?
some-alt