Začněte nyníZačněte zdarma

Použití indexů KFold

Už máš vytvořenou proměnnou splits, která obsahuje indexy pro dataset s daty o cukrovinkách pro 5-násobnou křížovou validaci. Abys lépe odhadl/a, jak dobře bude model náhodného lesa od kolegy fungovat na nových datech, chceš ho spustit na pěti různých kombinacích trénovacích a validačních indexů, které jsi právě vytvořil/a.

V tomto cvičení tyto indexy využiješ k ověření přesnosti modelu napříč pěti různými rozděleními. K usnadnění celého procesu je připravena smyčka for.

Toto cvičení je součástí kurzu

Validace modelů v Pythonu

Zobrazit kurz

Pokyny k cvičení

  • Pomocí train_index a val_index vyber správné indexy z X a y při vytváření trénovacích a validačních dat.
  • Natrénuj rfc na trénovacím datasetu.
  • Pomocí rfc vytvoř předpovědi pro validační dataset a vypiš validační přesnost.

Interaktivní cvičení na vyzkoušení si v praxi

Vyzkoušejte si toto cvičení dokončením tohoto ukázkového kódu.

from sklearn.ensemble import RandomForestRegressor
from sklearn.metrics import mean_squared_error

rfc = RandomForestRegressor(n_estimators=25, random_state=1111)

# Access the training and validation indices of splits
for train_index, val_index in splits:
    # Setup the training and validation data
    X_train, y_train = X[____], y[____]
    X_val, y_val = X[____], y[____]
    # Fit the random forest model
    rfc.____(____, ____)
    # Make predictions, and print the accuracy
    predictions = rfc.____(____)
    print("Split accuracy: " + str(mean_squared_error(y_val, predictions)))
Upravit a spustit kód