Das Modell fitten

Jetzt, da dein Modell und die Parameter bereit sind, initialisierst du MLForecast und passt es an die Zeitreihendaten an.

Die Variablen model und params aus der vorherigen Übung sind verfügbar, ebenso wie das DataFrame ts.

Diese Übung ist Teil des Kurses

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

Kurs ansehen

Übungsanweisungen

Erstelle eine MLForecast-Instanz mit dem Namen mlf.
Setze die Argumente freq, lags und date_features mithilfe der jeweiligen Schlüssel aus dem Dictionary params.
Fitte das Modell auf das DataFrame ts.

Interaktive praktische Übung

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

# Create an MLForecast instance
mlf = ____(
    # Set the freq, lags, and date_features arguments
  	models=model,
    freq=params["____"],
    lags=params["____"],
    date_features=params["____"]
)

# Fit mlf to the time series data
mlf.fit(____)

Code bearbeiten und ausführen