Validation croisée 5 x 5 plis

Vous pouvez faire plus qu'une seule itération de validation croisée. La validation croisée répétée fournit une meilleure estimation de l'erreur sur l'ensemble de test. Vous pouvez aussi répéter toute la procédure de validation croisée. C'est plus long, mais cela vous donne beaucoup plus d'ensembles hors échantillon à examiner et des évaluations beaucoup plus précises des performances du modèle.

L'un des grands avantages de la fonction train() dans caret, c'est la facilité d'exécuter des modèles très différents ou diverses méthodes de validation croisée en ajustant seulement quelques arguments de l'appel de fonction. Par exemple, vous pourriez répéter toute votre procédure de validation croisée 5 fois pour accroître votre confiance dans les estimations de la précision hors échantillon du modèle, p. ex. :

trControl = trainControl(
  method = "repeatedcv", 
  number = 5,
  repeats = 5, 
  verboseIter = TRUE
)

Cette activité fait partie du cours

Machine Learning avec caret en R

Voir le cours

Instructions de l’exercice

Réajustez le modèle de régression linéaire sur l'ensemble de données de logements Boston.
Utilisez 5 répétitions de validation croisée à 5 plis.
Affichez le modèle dans la console.

Exercice interactif pratique

Essayez cet exercice en complétant ce code d’exemple.

# Fit lm model using 5 x 5-fold CV: model
model <- train(
  medv ~ ., 
  Boston,
  method = "lm",
  trControl = trainControl(
    method = "repeatedcv", 
    number = ___,
    repeats = ___, 
    verboseIter = TRUE
  )
)

# Print model to console

Modifier et exécuter le code