Prévisions avec des modèles de ML
En tant que consultant·e en data science, votre mission est de prédire la demande d’électricité horaire aux États-Unis. Dans la tâche précédente, vous avez nettoyé et préparé les données. Il est maintenant temps d’utiliser des modèles de Machine Learning pour construire votre prévision.
Nous avons déjà vu le flux de travail avec statsforecast ; vous allez à présent appliquer les mêmes principes avec mlforecast.
Les jeux de données train et test, ainsi que les modèles (LGBMRegressor(), XGBRegressor(), LinearRegression()), sont déjà chargés.
La classe MLForecast a été importée depuis le package mlforecast et est prête à l’emploi. Construisons votre prévision !
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.
# Define the ML models
ml_models = [____(), XGBRegressor(), LinearRegression()]
# Set up the MLForecast object with models and frequency
mlf = ____(
models= ____,
freq='____',
lags=list(range(1, 24)),
date_features=['year', 'month', 'day', 'dayofweek', 'quarter', 'week', 'hour'])