Lección 9 del curso Pronósticos de Series de Tiempo con Regresión.
En la lección anterior vimos cómo entrenar y poner a prueba un modelo de pronósticos de Series de Tiempo usando Regresión Lineal Simple.
En esta lección veremos cómo generar pronósticos de Series de Tiempo usando modelos de Regresión Lineal Múltiple. Así que veremos no solo cómo funcionan este tipo de modelos sino también un ejemplo práctico de implementación con ayuda de Python y de las librerías Scikit-Learn y MLForecasts:
Contenido exclusivo para suscriptores
Si eres suscriptor accede en este enlace ó suscríbete a la Academia Online y accede a todo el contenido (lecciones en video, código fuente, sets de datos y descargas) de todos los cursos, proyectos y tutoriales.
Como acabamos de ver, el objetivo de la Regresión Lineal Múltiple es encontrar los parámetros de un modelo lineal que relacione la Serie a pronosticar ($y_t$) con múltiples series de tiempo predictoras ($x_{i,t}$).
Y al igual que ocurre con el modelo de Regresión Lineal Simple, en este caso los parámetros del modelo ($\beta_i$) se calculan automáticamente minimizando el error cuadrático medio y usando el algoritmo de mínimos cuadrados ordinarios.
Además, vimos que la creación, entrenamiento, validación y generación de pronósticos es muy fácil de implementar haciendo uso de la librería MLForecasts y de hecho es muy similar a la que vimos en la lección anterior.
Así que en este punto ya tenemos claro cómo funcionan los modelos de Regresión Lineal (simple y múltiple) para Series de Tiempo. Entonces, en la próxima lección veremos cómo evaluar estos modelos de pronósticos para determinar si el modelo logra capturar adecuadamente los patrones presentes en la Serie.
Todas las lecciones del curso Pronósticos de Series de Tiempo con Regresión