Křížová validace bez promíchání dat

Teď znovu natrénuj model s využitím blokové křížové validace (bez náhodného promíchání datových bodů). V tomto případě zůstanou sousední časové body blízko sebe. Jak podle tebe budou vypadat predikce modelu v každém cyklu křížové validace?

V pracovním prostoru máš k dispozici instanci objektu lineární regrese model a také pole X a y s trénovacími daty.

Toto cvičení je součástí kurzu

Machine Learning pro data časových řad v Pythonu

Zobrazit kurz

Pokyny k cvičení

Vytvoř nový objekt křížové validace, tentokrát pomocí KFold s 10 rozděleními a bez promíchání dat.
Iteruj přes tento objekt: na trénovacích indexech natrénuj model a na testovacích indexech vygeneruj predikce.
Vizualizuj predikce napříč jednotlivými rozděleními pomocí pomocné funkce visualize_predictions(), kterou jsme pro tebe připravili.

Interaktivní cvičení na vyzkoušení si v praxi

Vyzkoušejte si toto cvičení dokončením tohoto ukázkového kódu.

# Create KFold cross-validation object
from sklearn.model_selection import KFold
cv = ____(n_splits=____, shuffle=____)

# Iterate through CV splits
results = []
for tr, tt in cv.split(X, y):
    # Fit the model on training data
    model.fit(____)
    
    # Generate predictions on the test data and collect
    prediction = model.predict(____)
    results.append((prediction, tt))
    
# Custom function to quickly visualize predictions
visualize_predictions(results)

Upravit a spustit kód