Entraîner des modèles avec backtesting
En continuité avec les exercices précédents, vous allez maintenant évaluer vos modèles grâce au backtesting. Vous allez définir 4 partitions, chacune avec un décalage de 12 heures et une fenêtre de test de 72 heures, puis exécuter le processus avec la méthode cross_validation().
Le DataFrame ts et l’objet MLForecast initialisé (mlf) sont déjà chargés, afin que vous puissiez vous concentrer sur la configuration et l’exécution du backtesting. Commençons !
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.
# Import a library for interval calibration
from mlforecast.utils import ____
# Set parameters
h = ____
step_size = ____
partitions = 4
n_windows = 3
method = "conformal_distribution"
levels = [95]
# Initialize PredictionIntervals
pi = ____(h=____, n_windows=____, method=____)