De voorspellingsmodellen definiëren
Als data science-consultant krijg je de taak om het Amerikaanse elektriciteitsverbruik per uur te voorspellen. Voordat je gaat trainen en testen, moet je eerst je Machine Learning-modellen definiëren: ElasticNet, KNeighborsRegressor en MLPRegressor. Vervolgens initialiseer je het MLForecast-object met de belangrijkste parameters.
Om temporele afhankelijkheden te vangen, regress je de tijdreeks op de laatste 24 lags en voeg je seizoenskenmerken toe, zoals de dag van de week en het uur van de dag. Deze opzet vormt de basis voor robuuste voorspellingen.
Deze oefening maakt deel uit van de cursus
Forecasting-pijplijnen ontwerpen voor productie
Praktische interactieve oefening
Probeer deze oefening eens door deze voorbeeldcode in te vullen.
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": ____()}