Backtesting-Ausgaben transformieren

Sobald das Backtesting abgeschlossen ist, musst du die Daten transformieren, um die Ergebnisse effektiv zu bewerten und das leistungsstärkste Modell auszuwählen.

Diese Übung ist Teil des Kurses

<Kurs>Forecasting-Pipelines für die Produktion entwerfen</Kurs>

Kurs ansehen

Interaktive praktische Übung

Versuche dich an dieser Übung, indem du diesen Beispielcode vervollständigst.

models = list(ml_models.keys())  

bkt_long = pd.melt(
    bkt_df,
    id_vars=["unique_id", "ds", "cutoff", "y"],
  	# Complete two f-strings
    value_vars=models + [f"{____}-lo-95" for model in models] + [f"{____}-hi-95" for model in models],
    var_name="model_label", 
    value_name="value")

print(bkt_long.head())

Code bearbeiten und ausführen