Začněte nyníZačněte zdarma

Křížová validace pro R-squared

Křížová validace je klíčový přístup k vyhodnocování modelu. Maximalizuje množství dat, která jsou modelu k dispozici – model se totiž nejen trénuje, ale také testuje na všech dostupných datech.

V tomto cvičení sestavíš model lineární regrese a poté pomocí 6-násobné křížové validace vyhodnotíš jeho přesnost při předpovídání prodejů na základě výdajů na reklamu na sociálních sítích. Zobrazíš také jednotlivé skóre pro každý ze šesti foldů.

Dataset sales_df je rozdělený na y pro cílovou proměnnou a X pro příznaky a je předem načtený. LinearRegression je importovaný z sklearn.linear_model.

Toto cvičení je součástí kurzu

Supervised Learning with scikit-learn

Zobrazit kurz

Pokyny k cvičení

  • Importuj KFold a cross_val_score.
  • Vytvoř kf zavoláním KFold(), nastav počet rozdělení na šest, shuffle na True a seed na 5.
  • Proveď křížovou validaci pomocí reg na X a y a předej kf parametru cv.
  • Vypiš cv_scores.

Interaktivní cvičení na vyzkoušení si v praxi

Vyzkoušejte si toto cvičení dokončením tohoto ukázkového kódu.

# Import the necessary modules
from ____.____ import ____, ____

# Create a KFold object
kf = ____(n_splits=____, shuffle=____, random_state=____)

reg = LinearRegression()

# Compute 6-fold cross-validation scores
cv_scores = ____(____, ____, ____, cv=____)

# Print scores
print(____)
Upravit a spustit kód