Die Forecasting-Pipeline definieren
Jetzt definierst du das Forecasting-Modell und die Parameter für die MLForecast-Pipeline. Dieser Schritt bereitet die Modellkonfiguration vor, die in der Pipeline für Zeitreihenprognosen verwendet wird.
Diese Übung ist Teil des Kurses
Forecasting-Pipelines für die Produktion entwerfen
Anleitung zur Übung
- Importiere
LGBMRegressorauslightgbm. - Instanziiere ein
LGBMRegressor-Modell mit100Estimators und einer Lernrate von0.05. - Erstelle ein Dictionary namens
params, das die Frequenz ("h"), Lags (1-24) und Datumsmerkmale ("month","day","dayofweek","week"und"hour") enthält.
Interaktive Übung
Vervollständige den Beispielcode, um diese Übung erfolgreich abzuschließen.
# Import LGBMRegressor from lightgbm
from ____ import ____
# Instantiate the model
model = ____(n_estimators=____, learning_rate=____)
# Set the model parameters
params = {
"freq": "____",
"lags": list(range(____, ____)),
"date_features": ["month", "day", "____", "____", "hour"]
}