CommencezCommencez gratuitement

Validation croisée

La validation croisée est une technique qui vise à vérifier la performance d'un modèle sur un jeu de validation. Elle sert à s'assurer que la performance au test n'est pas due à un problème particulier lié au fractionnement des données. Dans cet exercice, vous utiliserez des fonctions de sklearn pour exécuter une validation croisée K-fold à l'aide du module KFold() afin d'évaluer la précision (precision) et le rappel (recall) d'un arbre de décision.

X_train, y_train, X_test, y_test sont disponibles dans votre espace de travail. pandas sous pd, numpy sous np et sklearn sont également disponibles. KFold() et cross_val_score() de sklearn.model_selection sont aussi à votre disposition.

Cette activité fait partie du cours

Prédire le CTR avec le Machine Learning en Python

Voir le cours

Instructions de l’exercice

  • Créez un classificateur d'arbre de décision.
  • Configurez une validation croisée K-Fold avec quatre divisions et assignez-la à k-fold.
  • Utilisez k_fold pour exécuter la validation croisée avec cross_val_score() afin d'évaluer la précision (precision) et le rappel (recall) de votre modèle (et non recall_score() ou precision_score()!).

Exercice interactif pratique

Essayez cet exercice en complétant ce code d’exemple.

# Create model 
clf = ____

# Set up k-fold
k_fold = ____(n_splits = 4, random_state = 0, shuffle = True)

# Evaluate precision and recall for each fold
precision = ____(
  clf, X_train, ____, cv = ____, scoring = 'precision_weighted')
recall = ____(
  clf, X_train, ____, cv = ____, scoring = 'recall_weighted')
print("Precision scores: %s" %(precision)) 
print("Recall scores: %s" %(recall))
Modifier et exécuter le code