Forecasting mit ML-Modellen
Als Data-Science-Berater ist es deine Aufgabe, die stündliche Stromnachfrage in den USA vorherzusagen. In der vorherigen Aufgabe hast du die Daten bereinigt und vorbereitet. Jetzt ist es Zeit, mit Machine-Learning-Modellen deine Prognose zu erstellen.
Wir haben bereits den statsforecast-Workflow behandelt, und nun wendest du die gleichen Prinzipien mit mlforecast an.
Die Datensätze train und test sowie die Modelle (LGBMRegressor(), XGBRegressor(), LinearRegression()) sind vorab geladen.
Die Klasse MLForecast wurde aus dem Paket mlforecast importiert und ist einsatzbereit. Lass uns deine Prognose bauen!
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.
# Define the ML models
ml_models = [____(), XGBRegressor(), LinearRegression()]
# Set up the MLForecast object with models and frequency
mlf = ____(
models= ____,
freq='____',
lags=list(range(1, 24)),
date_features=['year', 'month', 'day', 'dayofweek', 'quarter', 'week', 'hour'])