Definindo os modelos de previsão
Como consultor(a) de ciência de dados, você foi encarregado(a) de prever a demanda horária de eletricidade nos EUA. Antes de partir para o treinamento e os testes, primeiro é preciso definir seus modelos de Machine Learning: ElasticNet, KNeighborsRegressor e MLPRegressor. Em seguida, você vai inicializar o objeto MLForecast com os principais parâmetros.
Para capturar dependências temporais, você vai ajustar a série temporal usando as últimas 24 defasagens (lags) e incluir recursos sazonais como dia da semana e hora do dia. Essa configuração será a base para construir previsões robustas.
Este exercício faz parte do curso
Projetando Pipelines de Previsão para Produção
Exercício interativo prático
Experimente este exercício completando este código de exemplo.
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": ____()}