Forecasting-Modelle definieren
Als Data-Science-Berater:in sollst du die stündliche Stromnachfrage in den USA vorhersagen. Bevor du mit Training und Tests beginnst, musst du zuerst deine Machine-Learning-Modelle definieren: ElasticNet, KNeighborsRegressor und MLPRegressor. Anschließend initialisierst du das MLForecast-Objekt mit wichtigen Parametern.
Um zeitliche Abhängigkeiten zu erfassen, regressierst du die Zeitreihe auf die letzten 24 Lags und nimmst saisonale Features wie Wochentag und Stunde des Tages auf. Dieses Setup bildet die Grundlage für robuste Prognosen.
Diese Übung ist Teil des Kurses
<Kurs>Forecasting-Pipelines für die Produktion entwerfen</Kurs>Interaktive praktische Übung
Versuche dich an dieser Übung, indem du diesen Beispielcode vervollständigst.
from sklearn.neighbors import KNeighborsRegressor
from sklearn.neural_network import MLPRegressor
from sklearn.linear_model import ElasticNet
# Define machine learning models for forecasting
ml_models = {"knn": ____(), "mlp": ____(), "enet": ____()}