Začněte nyníZačněte zdarma

KFold() v scikit-learn

Právě sis prošel/a kód kolegy, který vytváří model náhodného lesa a počítá přesnost na testovacích datech. Všiml/a sis, že kolega v kódu nenastavil náhodný stav, a chyby, které jsi naměřil/a, se úplně lišily od těch, které kolega nahlásil.

Aby ses získal/a lepší odhad toho, jak přesný bude tento model náhodného lesa na nových datech, rozhodl/a ses vygenerovat indexy pro křížovou validaci pomocí KFold.

Toto cvičení je součástí kurzu

Validace modelů v Pythonu

Zobrazit kurz

Pokyny k cvičení

  • Zavolej metodu KFold() tak, aby rozdělila data na pět částí, s náhodným promícháním a hodnotou náhodného stavu 1111.
  • Použij metodu split() objektu KFold na X.
  • Vypiš počet indexů v seznamech tréninkových i validačních indexů.

Interaktivní cvičení na vyzkoušení si v praxi

Vyzkoušejte si toto cvičení dokončením tohoto ukázkového kódu.

from sklearn.model_selection import KFold

# Use KFold
kf = KFold(____, ____, ____)

# Create splits
splits = kf.____(____)

# Print the number of indices
for train_index, val_index in splits:
    print("Number of training indices: %s" % len(____))
    print("Number of validation indices: %s" % len(____))
Upravit a spustit kód