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 interattivo pratico
Prova questo esercizio completando questo 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": ____()}