Оцените модель вторым способом — предыдущим значением ряда. Предскажите дневной объём электропотребления 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
Для предсказания значений вызовите метод shift() у тестовой выборки. Чтобы заполнить первое значение, изучите, как работает атрибут iloc (от англ. integer location, «обращение по целочисленным индексам»).
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_previous = test.shift()
pred_previous.iloc[0] = train.iloc[-1]
print("MAE:", mean_absolute_error(test, pred_previous))