Celkové skóre validace
Teď přichází čas zjistit skutečný výkon modelu pomocí křížové validace! Jak si vede náš model pro předpověď poptávky po zboží v obchodech?
Tvým úkolem je vypočítat Mean Squared Error (MSE) pro každý fold zvlášť a pak tyto výsledky sloučit do jediného čísla.
Pro zjednodušení máš k dispozici funkci get_fold_mse(), která pro každé rozdělení křížové validace natrénuje model Random Forest a vrátí seznam MSE skóre podle foldů. Funkce get_fold_mse() přijímá dva argumenty: train a objekt TimeSeriesSplit.
Toto cvičení je součástí kurzu
Jak vyhrát soutěž na Kaggle v Pythonu
Interaktivní cvičení na vyzkoušení si v praxi
Vyzkoušejte si toto cvičení dokončením tohoto ukázkového kódu.
from sklearn.model_selection import TimeSeriesSplit
import numpy as np
# Sort train data by date
train = train.sort_values('date')
# Initialize 3-fold time cross-validation
kf = ____(n_splits=____)
# Get MSE scores for each cross-validation split
mse_scores = get_fold_mse(train, kf)
print('Mean validation MSE: {:.5f}'.format(np.____(____)))