Křížová validace založená na čase

Na závěr se podívejme na chování iterátoru křížové validace pro časové řady v scikit-learn. Pomocí tohoto objektu projdi svá data ještě jednou a vizualizuj trénovací data, která se použijí k trénování modelu v každé iteraci.

V pracovním prostředí máš k dispozici instanci objektu model lineární regrese. K dispozici jsou také pole X a y (trénovací data).

Toto cvičení je součástí kurzu

Machine Learning pro data časových řad v Pythonu

Zobrazit kurz

Pokyny k cvičení

Importuj TimeSeriesSplit z sklearn.model_selection.
Vytvoř instanci iterátoru křížové validace pro časové řady s 10 rozděleními.
Projdi jednotlivými rozděleními křížové validace. V každé iteraci vizualizuj hodnoty vstupních dat, která by se použila k trénování modelu v daném kroku.

Interaktivní cvičení na vyzkoušení si v praxi

Vyzkoušejte si toto cvičení dokončením tohoto ukázkového kódu.

# Import TimeSeriesSplit
____

# Create time-series cross-validation object
cv = ____

# Iterate through CV splits
fig, ax = plt.subplots()
for ii, (tr, tt) in enumerate(cv.split(X, y)):
    # Plot the training data on each iteration, to see the behavior of the CV
    ax.plot(tr, ii + y[tr])

ax.set(title='Training data on each CV iteration', ylabel='CV iteration')
plt.show()

Upravit a spustit kód