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.