Ajuster le modèle

Maintenant que votre modèle et ses paramètres sont prêts, vous allez initialiser MLForecast et l’ajuster aux données de séries temporelles.

Les variables model et params de l’exercice précédent sont disponibles, ainsi que le DataFrame ts.

Cet exercice fait partie du cours

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

Voir le cours

Instructions de l’exercice

Créez une instance de MLForecast nommée mlf.
Renseignez les arguments freq, lags et date_features à partir des clés correspondantes du dictionnaire params.
Ajustez le modèle sur le DataFrame ts.

Exercice interactif pratique

Essayez cet exercice en complétant ce code d’exemple.

# Create an MLForecast instance
mlf = ____(
    # Set the freq, lags, and date_features arguments
  	models=model,
    freq=params["____"],
    lags=params["____"],
    date_features=params["____"]
)

# Fit mlf to the time series data
mlf.fit(____)

Modifier et exécuter le code