De forecasting-pijplijn definiëren

Nu ga je het forecastingmodel en de parameters voor de MLForecast-pijplijn definiëren. Deze stap bereidt de modelconfiguratie voor die in de pijplijn wordt gebruikt voor tijdreeksvoorspelling.

Deze oefening maakt deel uit van de cursus

Forecasting-pijplijnen ontwerpen voor productie

Cursus bekijken

Oefeninstructies

Importeer LGBMRegressor uit lightgbm.
Instantieer een LGBMRegressor-model met 100 estimators en een learning rate van 0.05.
Maak een dictionary met de naam params die de frequentie ("h"), lags (1-24) en datumfeatures ("month", "day", "dayofweek", "week" en "hour") bevat.

Praktische interactieve oefening

Probeer deze oefening eens door deze voorbeeldcode in te vullen.

# 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"]
}

Code bewerken en uitvoeren