Začněte nyníZačněte zdarma

Křížová validace

Křížová validace je technika, která ověřuje, jak si model vede na datech, která neviděl při tréninku. Slouží k tomu, abychom si ověřili, že výsledky testování nebyly ovlivněny konkrétním způsobem rozdělení dat. V tomto cvičení použiješ implementace z sklearn a spustíš K-fold křížovou validaci pomocí modulu KFold(), abys vyhodnotil/a přesnost (precision) a úplnost (recall) rozhodovacího stromu.

V pracovním prostředí máš k dispozici X_train, y_train, X_test, y_test. K dispozici jsou také pandas jako pd, numpy jako np a sklearn. Ze sklearn.model_selection jsou dostupné i KFold() a cross_val_score().

Toto cvičení je součástí kurzu

Předpovídání CTR pomocí Machine Learning v Pythonu

Zobrazit kurz

Pokyny k cvičení

  • Vytvoř klasifikátor rozhodovacího stromu.
  • Nastav K-Fold křížovou validaci se čtyřmi částmi a přiřaď ji do proměnné k-fold.
  • Pomocí k_fold spusť křížovou validaci přes cross_val_score() a vyhodnoť precision a recall svého modelu (nepoužívej recall_score() ani precision_score()).

Interaktivní cvičení na vyzkoušení si v praxi

Vyzkoušejte si toto cvičení dokončením tohoto ukázkového kódu.

# Create model 
clf = ____

# Set up k-fold
k_fold = ____(n_splits = 4, random_state = 0, shuffle = True)

# Evaluate precision and recall for each fold
precision = ____(
  clf, X_train, ____, cv = ____, scoring = 'precision_weighted')
recall = ____(
  clf, X_train, ____, cv = ____, scoring = 'recall_weighted')
print("Precision scores: %s" %(precision)) 
print("Recall scores: %s" %(recall))
Upravit a spustit kód