Vizualizace variability skóre modelu v čase
Teď, když jsi vyhodnotil/a variabilitu jednotlivých koeficientů, uděláme totéž pro výkonnost (skóre) modelu. Připomeň si, že objekt TimeSeriesSplit používá pro každou testovací sadu postupně pozdější indexy. To znamená, že skóre validace můžeš považovat za časovou řadu. Vizualizací v čase pak uvidíš, jak se výkonnost modelu mění.
Instance objektu lineární regrese je uložena v model, objekt křížové validace v cv a data v X a y.
Toto cvičení je součástí kurzu
Machine Learning pro data časových řad v Pythonu
Interaktivní cvičení na vyzkoušení si v praxi
Vyzkoušejte si toto cvičení dokončením tohoto ukázkového kódu.
from sklearn.model_selection import cross_val_score
# Generate scores for each split to see how the model performs over time
scores = cross_val_score(model, X, y, cv=cv, scoring=my_pearsonr)
# Convert to a Pandas Series object
scores_series = pd.Series(scores, index=times_scores, name='score')
# Bootstrap a rolling confidence interval for the mean score
scores_lo = scores_series.____(20).aggregate(partial(____, percentiles=2.5))
scores_hi = scores_series.____(20).aggregate(partial(____, percentiles=97.5))