Définir le pipeline de prévision

Vous allez maintenant définir le modèle de prévision et les paramètres pour le pipeline MLForecast. Cette étape prépare la configuration du modèle qui sera utilisée pour la prévision de séries temporelles dans le pipeline.

Cet exercice fait partie du cours

<cours>Concevoir des pipelines de prévision pour la production</cours>

Voir le cours

Instructions de l’exercice

Importez LGBMRegressor depuis lightgbm.
Instanciez un modèle LGBMRegressor avec 100 estimateurs et un taux d’apprentissage de 0.05.
Créez un dictionnaire nommé params qui inclut la fréquence ("h"), les retards (1-24) et les caractéristiques de date ("month", "day", "dayofweek", "week" et "hour").

Exercice interactif pratique

Essayez cet exercice en complétant ce code d’exemple.

# Import LGBMRegressor from lightgbm
from ____ import ____

# Instantiate the model
model = ____(n_estimators=____, learning_rate=____)

# Set the model parameters
params = {
  "freq": "____",
  "lags": list(range(____, ____)),
  "date_features": ["month", "day", "____", "____", "hour"]
}

Modifier et exécuter le code