Pandas moyenne mobile à l'aide d'un écart-type en Python

Question

Je veux lisser un bruit à l'aide d'un moving average filter après mise en place d'un modèle de régression en utilisant un RandomForestRegressor pour un ensemble de données que je envisage d'utiliser trouvées dans this link

import pandas as pd 
import math 
import matplotlib 
import matplotlib.pyplot as plt 
import numpy as np 
from sklearn.ensemble import RandomForestRegressor, GradientBoostingRegressor 
from sklearn.model_selection import GridSearchCV 
from sklearn.metrics import r2_score, mean_squared_error, make_scorer 
from sklearn.model_selection import train_test_split 
from math import sqrt 
from sklearn.cross_validation import train_test_split 


n_features=3000 

df = pd.read_csv('cubic32.csv') 

for i in range(1,n_features): 
    df['X_t'+str(i)] = df['X'].shift(i) 

print(df) 

df.dropna(inplace=True) 


X = df.drop('Y', axis=1) 
y = df['Y'] 

X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.40) 

X_train = X_train.drop('time', axis=1) 
X_test = X_test.drop('time', axis=1) 


parameters = {'n_estimators': [10]} 
clf_rf = RandomForestRegressor(random_state=1) 
clf = GridSearchCV(clf_rf, parameters, cv=5, scoring='neg_mean_squared_error', n_jobs=-1) 
model = clf.fit(X_train, y_train) 
model.cv_results_['params'][model.best_index_] 
math.sqrt(model.best_score_*-1) 
model.grid_scores_ 

##### 
print() 
print(model.grid_scores_) 
print("The best score: ",model.best_score_) 

print("RMSE:",math.sqrt(model.best_score_*-1)) 

clf_rf.fit(X_train,y_train) 
modelPrediction = clf_rf.predict(X_test) 
print(modelPrediction) 

print("Number of predictions:",len(modelPrediction)) 

meanSquaredError=mean_squared_error(y_test, modelPrediction) 
print("Mean Square Error (MSE):", meanSquaredError) 
rootMeanSquaredError = sqrt(meanSquaredError) 
print("Root-Mean-Square Error (RMSE):", rootMeanSquaredError) 

fig, ax = plt.subplots() 
index_values=range(0,len(y_test)) 

y_test.sort_index(inplace=True) 
X_test.sort_index(inplace=True) 

modelPred_test = clf_rf.predict(X_test) 
ax.plot(pd.Series(index_values), y_test.values) 

smoothed=pd.rolling_mean(modelPred_test, 90, min_periods=90, freq=None, center=False, how=None) 
PlotInOne=pd.DataFrame(pd.concat([pd.Series(smoothed), pd.Series(y_test.values)], axis=1)) 
plt.figure(); PlotInOne.plot(); plt.legend(loc='best') 

Cependant, la l'intrigue des valeurs prédites semble (comme indiqué ci-dessous) être très grossière (la ligne bleue).

La ligne orange est un tracé de la valeur réelle.

Comment peut-on calculer l'écart-type de la prédiction (ligne bleue) dans la parcelle ci-dessus et de le transmettre comme paramètre d'intervalle à la moyenne mobile que la fenêtre fonctionne sur? Actuellement, je mets la taille de la fenêtre mobile manuellement à 50, mais je voulais plutôt passer la valeur de l'écart-type.

smoothed=pd.rolling_mean(modelPred_test, 50, min_periods=50, freq=None, center=False, how=None) 

Answer 1

pd.rolling_mean(modelPred_test,windows=round(np.std(modelPred_test))) 

Vous pouvez brancher l'écart-type dans la fenêtre minimale et ~

Answer 2

smoothed=pd.rolling(modelPred_test, 50, min_periods=50, freq=None, center=False, how=None).std()