Validation croisée sans mélange
Refaites maintenant l'ajustement de votre modèle en utilisant une validation croisée par blocs (sans mélanger tous les points de données). Ainsi, les points temporels voisins resteront proches les uns des autres. À votre avis, à quoi ressembleront les prédictions du modèle dans chaque itération de validation croisée?
Une instance de l'objet de régression linéaire model est disponible dans votre espace de travail. Les tableaux X et y (données d'entraînement) sont également fournis.
Cette activité fait partie du cours
Machine Learning pour les données chronologiques en Python
Instructions de l’exercice
- Instanciez un autre objet de validation croisée, cette fois en utilisant la validation croisée KFold avec 10 divisions et sans mélange.
- Itérez sur cet objet pour ajuster un modèle à l'aide des indices d'entraînement et générer des prédictions à l'aide des indices de test.
- Visualisez les prédictions à travers les divisions de CV en utilisant la fonction utilitaire (
visualize_predictions()) fournie.
Exercice interactif pratique
Essayez cet exercice en complétant ce code d’exemple.
# 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)