Définir les modèles de prévision
En tant que consultant·e en data science, vous devez prédire la demande horaire d’électricité aux États-Unis. Avant d’entamer l’entraînement et les tests, vous devez d’abord définir vos modèles de Machine Learning : ElasticNet, KNeighborsRegressor et MLPRegressor. Ensuite, vous initialiserez l’objet MLForecast avec les paramètres clés.
Pour capturer les dépendances temporelles, vous allez régréssionner la série temporelle sur les 24 derniers retards (lags) et inclure des caractéristiques saisonnières comme le jour de la semaine et l’heure de la journée. Cette configuration constituera la base pour construire des prévisions robustes.
Cet exercice fait partie du cours
<cours>Concevoir des pipelines de prévision pour la production</cours>Exercice interactif pratique
Essayez cet exercice en complétant ce code d’exemple.
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": ____()}