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
Forecasting-Pipelines für die Produktion entwerfen
Interaktive Übung
Vervollständige den Beispielcode, um diese Übung erfolgreich abzuschließen.
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())