Tahminleme pipeline'ını tanımlama

Şimdi MLForecast pipeline'ı için tahminleme modelini ve parametreleri tanımlayacaksın. Bu adım, pipeline içinde zaman serisi tahmini için kullanılacak model yapılandırmasını hazırlar.

Bu egzersiz, kursun bir parçasıdır

Üretim için Tahmin (Forecasting) Hatları Tasarlama

Kursa Göz Atın

Egzersiz talimatları

lightgbm içinden LGBMRegressor'ı içe aktar.
100 tahminleyici ve 0.05 öğrenme oranıyla bir LGBMRegressor modeli başlat.
Sıklık ("h"), gecikmeler (1-24) ve tarih özelliklerini ("month", "day", "dayofweek", "week" ve "hour") içeren params adlı bir sözlük oluştur.

Uygulamalı etkileşimli egzersiz

Bu egzersizi bu örnek kodu tamamlayarak deneyin.

# 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"]
}

Kodu Düzenle ve Çalıştır