Оцените модель первым способом — прогнозом константой. Дневной объём электропотребления предскажите медианой, сохраните значения в переменной pred_median и найдите для этого прогноза значение MAE.
В прекоде указан средний объём электропотребления, чтобы вы смогли соотнести его со значением метрики MAE.
Напечатайте на экране значения среднего объёма электропотребления и метрики MAE (уже в прекоде).
Подсказка
Допишите код построения прогноза:
pred_median = np.ones(test.shape) * # < напишите код здесь >
import pandas as pd
import numpy as np
from sklearn.model_selection import train_test_split
from sklearn. metrics import mean_absolute_error
data = pd.read_csv('https://code.s3.yandex.net/datasets/energy_consumption.csv', index_col=[0], parse_dates=[0])
data.sort_index(inplace=True)
data = data.resample('1D').sum()
train, test = train_test_split(data, shuffle=False, test_size=0.2)
print("Средний объём электропотребления в день:", test['PJME_MW'].mean())
pred_median = np.ones(test.shape) * train['PJME_MW'].median()
print("MAE:", mean_absolute_error(pred_median, test))