Definir los modelos de forecasting
Como consultor de data science, te han encargado predecir la demanda eléctrica por hora en EE. UU. Antes de ponerte a entrenar y probar, primero debes definir tus modelos de Machine Learning: ElasticNet, KNeighborsRegressor y MLPRegressor. Después, inicializarás el objeto MLForecast con los parámetros clave.
Para capturar dependencias temporales, ajustarás la serie temporal contra los últimos 24 rezagos e incluirás características estacionales como el día de la semana y la hora del día. Esta configuración será la base para construir previsiones sólidas.
Este ejercicio forma parte del curso
Diseño de canalizaciones de predicción para producción
Ejercicio interactivo práctico
Prueba este ejercicio y completa el código de muestra.
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": ____()}