Definire i modelli di forecasting
Come consulente di data science, ti è stato chiesto di prevedere la domanda oraria di elettricità negli Stati Uniti. Prima di passare a training e testing, devi prima definire i tuoi modelli di Machine Learning: ElasticNet, KNeighborsRegressor e MLPRegressor. Poi inizializzerai l'oggetto MLForecast con i parametri chiave.
Per catturare le dipendenze temporali, eseguirai una regressione della serie temporale contro le ultime 24 lag e includerai feature stagionali come il giorno della settimana e l’ora del giorno. Questa configurazione costituirà la base per costruire previsioni robuste.
Questo esercizio fa parte del corso
Progettare pipeline di forecasting per la produzione
Esercizio pratico interattivo
Prova a risolvere questo esercizio completando il codice di esempio.
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": ____()}