Visualizar la variabilidad de la puntuación del modelo a lo largo del tiempo
Ahora que has evaluado la variabilidad de cada coeficiente, hagamos lo mismo con el rendimiento (puntuaciones) del modelo. Recuerda que el objeto TimeSeriesSplit utilizará índices sucesivamente posteriores para cada conjunto de pruebas. Esto significa que puedes tratar las puntuaciones de tu validación como una serie temporal. Puedes visualizarlo a lo largo del tiempo para ver cómo cambia el rendimiento del modelo con el paso del tiempo.
Una instancia del objeto Modelo de regresión lineal se almacena en model, un objeto de validación cruzada en cv, y los datos en X y y.
Este ejercicio forma parte del curso
Machine learning para datos de series temporales en Python
Ejercicio interactivo práctico
Pruebe este ejercicio completando este código de muestra.
from sklearn.model_selection import cross_val_score
# Generate scores for each split to see how the model performs over time
scores = cross_val_score(model, X, y, cv=cv, scoring=my_pearsonr)
# Convert to a Pandas Series object
scores_series = pd.Series(scores, index=times_scores, name='score')
# Bootstrap a rolling confidence interval for the mean score
scores_lo = scores_series.____(20).aggregate(partial(____, percentiles=2.5))
scores_hi = scores_series.____(20).aggregate(partial(____, percentiles=97.5))