Validación cruzada sin barajar

Ahora, vuelve a ajustar tu modelo usando validación cruzada por bloques (sin barajar todos los puntos de datos). En este caso, los instantes de tiempo vecinos se mantendrán cercanos entre sí. ¿Cómo crees que se verán las predicciones del modelo en cada iteración de validación cruzada?

Tienes disponible en tu espacio de trabajo una instancia del objeto model de regresión lineal. También están disponibles los arrays X y y (datos de entrenamiento).

Este ejercicio forma parte del curso

Machine Learning para datos de series temporales en Python

Ver curso

Instrucciones del ejercicio

Instancia otro objeto de validación cruzada, esta vez usando KFold con 10 particiones y sin barajar.
Itera sobre este objeto para ajustar un modelo usando los índices de entrenamiento y generar predicciones con los índices de prueba.
Visualiza las predicciones a través de las particiones de la VC usando la función auxiliar (visualize_predictions()) que te proporcionamos.

Ejercicio interactivo práctico

Prueba este ejercicio y completa el código de muestra.

# Create KFold cross-validation object
from sklearn.model_selection import KFold
cv = ____(n_splits=____, shuffle=____)

# Iterate through CV splits
results = []
for tr, tt in cv.split(X, y):
    # Fit the model on training data
    model.fit(____)
    
    # Generate predictions on the test data and collect
    prediction = model.predict(____)
    results.append((prediction, tt))
    
# Custom function to quickly visualize predictions
visualize_predictions(results)

Editar y ejecutar código