Contenido del Curso

Análisis de Series Temporales

1. Serie Temporal: Comencemos

Introducción Ejemplos Prácticos Tipos de Modelo Implementación en Python Visualización

2. Procesamiento de Series Temporales

Lectura y Visualización de Datos Estacionariedad Autocorrelación Descomposición

3. Visualización de Series Temporales

Serie Temporal Simple Personaliza Tu Parcela Reto

4. Modelos Estacionarios

Ejemplos de Series de Tiempo Estacionarias Media Móvil Simple Auto-regresión Modelo Autorregresivo Integrado de Media Móvil Desafío

5. Modelos No Estacionarios

Ejemplos de Series de Tiempo No Estacionarias Convertir Datos No Estacionarios a Estacionarios Desafio 1 Desafío 2

6. Resuelve Problemas Reales

Pronóstico del Tiempo Pronóstico de Demanda de la Tienda Mercados Financieros Predice la Aparición de Clientes Repetitivos Medicina: Pronóstico de EEG

Auto-regresión

Pasemos a la revisión del modelo autorregresivo:

La fórmula es similar a la fórmula de regresión lineal, de donde procede su nombre. En lugar del coeficiente, se utiliza el valor pasado de x.

Con statsmodels podemos ejecutar un modelo autorregresivo AutoReg():

``python from statsmodels.tsa.ar_model import AutoReg

Entrenar el modelo de autoregresión

model = AutoReg(df["valor"], lags=3) model_fit = model.fit()

Realizar predicciones

predicciones = model_fit.predict(start=0, end=len(X)-1, dynamic=False)

Trazar resultados

plt.plot(df["value"][:50]) plt.plot(predicciones[:50], color='rojo') plt.show()

Si se fija, las predicciones del modelo autorregresivo son más precisas que las de la media móvil simple.

Aprendamos a evaluar los resultados recibidos de los modelos entrenados. El error se calcula utilizando el error cuadrático medio. Esto se hace simplemente con la ayuda de las funciones sqrt() y mean_squared_error():

``python from sklearn.metrics import error_medio_cuadrado from math import sqrt

puntuación_prueba = sqrt(error_medio_cuadrado(df["valor"][3:], predicciones [3:])) print("MSE de la prueba: %.3f" % test_score)

Del mismo modo, calculamos el valor del error del modelo anterior:

Cuanto menor sea el valor MSE, menor será el error.

Tarea

Swipe to show code editor

Cree un modelo autorregresivo y entrénelo en el conjunto de datos shampoo.csv.

1. Cree un modelo autoregresivo (Autoreg) con 6 retardos para la columna "Ventas" del DataFrame df.
1. Ajuste el modelo a los datos.
1. Realice predicciones utilizando el modelo. Inicie la predicción en la primera fila (parámetro start) y establezca el parámetro dynamic en False.
Visualice los resultados: muestre las 150 primeras observaciones de la columna "Ventas" del DataFrame df en la primera llamada a la función .plot() y los 150 primeros valores pronosticados en la segunda llamada.

Cambia al escritorio para practicar en el mundo realContinúe desde donde se encuentra utilizando una de las siguientes opciones

¿Todo estuvo claro?

¡Gracias por tus comentarios!

Sección 4. Capítulo 3

Auto-regresión

Pasemos a la revisión del modelo autorregresivo:

La fórmula es similar a la fórmula de regresión lineal, de donde procede su nombre. En lugar del coeficiente, se utiliza el valor pasado de x.

Con statsmodels podemos ejecutar un modelo autorregresivo AutoReg():

``python from statsmodels.tsa.ar_model import AutoReg

Entrenar el modelo de autoregresión

model = AutoReg(df["valor"], lags=3) model_fit = model.fit()

Realizar predicciones

predicciones = model_fit.predict(start=0, end=len(X)-1, dynamic=False)

Trazar resultados

plt.plot(df["value"][:50]) plt.plot(predicciones[:50], color='rojo') plt.show()

Si se fija, las predicciones del modelo autorregresivo son más precisas que las de la media móvil simple.

``python from sklearn.metrics import error_medio_cuadrado from math import sqrt

puntuación_prueba = sqrt(error_medio_cuadrado(df["valor"][3:], predicciones [3:])) print("MSE de la prueba: %.3f" % test_score)

Del mismo modo, calculamos el valor del error del modelo anterior:

Cuanto menor sea el valor MSE, menor será el error.

Tarea

Swipe to show code editor

Cree un modelo autorregresivo y entrénelo en el conjunto de datos shampoo.csv.

1. Cree un modelo autoregresivo (Autoreg) con 6 retardos para la columna "Ventas" del DataFrame df.
1. Ajuste el modelo a los datos.
1. Realice predicciones utilizando el modelo. Inicie la predicción en la primera fila (parámetro start) y establezca el parámetro dynamic en False.
Visualice los resultados: muestre las 150 primeras observaciones de la columna "Ventas" del DataFrame df en la primera llamada a la función .plot() y los 150 primeros valores pronosticados en la segunda llamada.

Cambia al escritorio para practicar en el mundo realContinúe desde donde se encuentra utilizando una de las siguientes opciones

¿Todo estuvo claro?

¡Gracias por tus comentarios!

Sección 4. Capítulo 3

Auto-regresión

Pasemos a la revisión del modelo autorregresivo:

La fórmula es similar a la fórmula de regresión lineal, de donde procede su nombre. En lugar del coeficiente, se utiliza el valor pasado de x.

Con statsmodels podemos ejecutar un modelo autorregresivo AutoReg():

``python from statsmodels.tsa.ar_model import AutoReg

Entrenar el modelo de autoregresión

model = AutoReg(df["valor"], lags=3) model_fit = model.fit()

Realizar predicciones

predicciones = model_fit.predict(start=0, end=len(X)-1, dynamic=False)

Trazar resultados

plt.plot(df["value"][:50]) plt.plot(predicciones[:50], color='rojo') plt.show()

Si se fija, las predicciones del modelo autorregresivo son más precisas que las de la media móvil simple.

``python from sklearn.metrics import error_medio_cuadrado from math import sqrt

puntuación_prueba = sqrt(error_medio_cuadrado(df["valor"][3:], predicciones [3:])) print("MSE de la prueba: %.3f" % test_score)

Del mismo modo, calculamos el valor del error del modelo anterior:

Cuanto menor sea el valor MSE, menor será el error.

Tarea

Swipe to show code editor

Cree un modelo autorregresivo y entrénelo en el conjunto de datos shampoo.csv.

1. Cree un modelo autoregresivo (Autoreg) con 6 retardos para la columna "Ventas" del DataFrame df.
1. Ajuste el modelo a los datos.
1. Realice predicciones utilizando el modelo. Inicie la predicción en la primera fila (parámetro start) y establezca el parámetro dynamic en False.
Visualice los resultados: muestre las 150 primeras observaciones de la columna "Ventas" del DataFrame df en la primera llamada a la función .plot() y los 150 primeros valores pronosticados en la segunda llamada.

Cambia al escritorio para practicar en el mundo realContinúe desde donde se encuentra utilizando una de las siguientes opciones

¿Todo estuvo claro?

¡Gracias por tus comentarios!

Pasemos a la revisión del modelo autorregresivo:

La fórmula es similar a la fórmula de regresión lineal, de donde procede su nombre. En lugar del coeficiente, se utiliza el valor pasado de x.

Con statsmodels podemos ejecutar un modelo autorregresivo AutoReg():

``python from statsmodels.tsa.ar_model import AutoReg

Entrenar el modelo de autoregresión

model = AutoReg(df["valor"], lags=3) model_fit = model.fit()

Realizar predicciones

predicciones = model_fit.predict(start=0, end=len(X)-1, dynamic=False)

Trazar resultados

plt.plot(df["value"][:50]) plt.plot(predicciones[:50], color='rojo') plt.show()

Si se fija, las predicciones del modelo autorregresivo son más precisas que las de la media móvil simple.

``python from sklearn.metrics import error_medio_cuadrado from math import sqrt

puntuación_prueba = sqrt(error_medio_cuadrado(df["valor"][3:], predicciones [3:])) print("MSE de la prueba: %.3f" % test_score)

Del mismo modo, calculamos el valor del error del modelo anterior:

Cuanto menor sea el valor MSE, menor será el error.

Tarea

Swipe to show code editor

Cree un modelo autorregresivo y entrénelo en el conjunto de datos shampoo.csv.

1. Cree un modelo autoregresivo (Autoreg) con 6 retardos para la columna "Ventas" del DataFrame df.
1. Ajuste el modelo a los datos.
1. Realice predicciones utilizando el modelo. Inicie la predicción en la primera fila (parámetro start) y establezca el parámetro dynamic en False.
Visualice los resultados: muestre las 150 primeras observaciones de la columna "Ventas" del DataFrame df en la primera llamada a la función .plot() y los 150 primeros valores pronosticados en la segunda llamada.

Cambia al escritorio para practicar en el mundo realContinúe desde donde se encuentra utilizando una de las siguientes opciones

Sección 4. Capítulo 3

Cambia al escritorio para practicar en el mundo realContinúe desde donde se encuentra utilizando una de las siguientes opciones