假设我有一个每月粒度的数据集，其中包含以下列:
- 时间戳
- 问题(即 GitHub 问题数量)
2016-2019年每个月都有数据，所以我对数据进行了相应的划分。
训练数据:2016-2017validation_data:2018holdout_data:2019
如果我有一个 fitted_model ，它是一个 ForecastingPipelineWrapper ，这是我通过的 AutoML 的最佳运行方式，给了它 training_data 和 验证数据。
查看ForecastingPipelineWrapper class docstring文档只会让我更加困惑。什么是 X_past、X_future 和 Y_future？
如何将上述数据帧与 fitted_model.forecast() 结合使用来手动验证模型在 holdout_data 数据帧上的拟合情况？
最佳答案
以下笔记本说明了如何在下半部分“根据训练数据进行预测”中利用 y_past、x_past、y_future、x_future 和 Fitted_model.forecast。 https://github.com/Azure/MachineLearningNotebooks/blob/master/how-to-use-azureml/automated-machine-learning/forecasting-high-frequency/auto-ml-forecasting-function.ipynb
笔记本将比文档字符串文档更好地指导您掌握这些概念。如果您有任何其他问题或需要澄清，请告诉我们!
关于azure-machine-learning-service - 如何使用 Fitted_model.forecast() 进行 AutoML 预测模型？，我们在Stack Overflow上找到一个类似的问题： https://stackoverflow.com/questions/61240809/