Defining the forecasting pipeline

Now you'll define the forecasting model and parameters for the MLForecast pipeline. This step prepares the model configuration that will be used for time series forecasting in the pipeline.

Это упражнение является частью курса

Designing Forecasting Pipelines for Production

Посмотреть курс

Инструкции к упражнению

Import LGBMRegressor from lightgbm.
Instantiate a LGBMRegressor model with 100 estimators and a learning rate of 0.05.
Create a dictionary named params that includes the frequency ("h"), lags (1-24), and date features ("month", "day", "dayofweek", "week", and "hour").

Интерактивное практическое упражнение

Попробуйте выполнить это упражнение, дополнив этот пример кода.

# 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"]
}

Редактировать и запускать код