Definire la pipeline di forecasting
Ora definirai il modello di forecasting e i parametri per la pipeline di MLForecast. Questo passaggio prepara la configurazione del modello che verrà utilizzata per il forecasting di serie temporali nella pipeline.
Questo esercizio fa parte del corso
Progettare pipeline di forecasting per la produzione
Istruzioni dell'esercizio
- Importa
LGBMRegressordalightgbm. - Istanzia un modello
LGBMRegressorcon100estimator e un learning rate di0.05. - Crea un dizionario chiamato
paramsche includa la frequenza ("h"), i lag (1-24) e le caratteristiche temporali ("month","day","dayofweek","week"e"hour").
Esercizio pratico interattivo
Prova a risolvere questo esercizio completando il codice di esempio.
# 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"]
}