Voorspellen met ML-modellen
Als data science-consultant is het jouw taak om het Amerikaanse uurlijkse elektriciteitsverbruik te voorspellen. In de vorige taak heb je de data opgeschoond en voorbereid. Nu ga je machine learning-modellen gebruiken om je voorspelling te bouwen.
We hebben eerder de statsforecast-workflow behandeld, en nu pas je dezelfde principes toe met mlforecast.
De train- en test-gegevenssets, evenals de modellen (LGBMRegressor(), XGBRegressor(), LinearRegression()), zijn al ingeladen.
De MLForecast-klasse is geïmporteerd uit het mlforecast-pakket en klaar voor gebruik. Aan de slag met je forecast!
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.
# Define the ML models
ml_models = [____(), XGBRegressor(), LinearRegression()]
# Set up the MLForecast object with models and frequency
mlf = ____(
models= ____,
freq='____',
lags=list(range(1, 24)),
date_features=['year', 'month', 'day', 'dayofweek', 'quarter', 'week', 'hour'])