Calcul de la variabilité des coefficients du modèle
Dans cette leçon, vous allez relancer la procédure de validation croisée utilisée précédemment, mais en vous intéressant cette fois à la stabilité du modèle dans le temps. Vous examinerez les coefficients du modèle ainsi que l’incertitude de ses prédictions.
Commencez par évaluer la stabilité (ou l’incertitude) des coefficients d’un modèle sur plusieurs découpages de validation croisée. Rappelez-vous que les coefficients reflètent le motif que votre modèle a identifié dans les données.
Une instance de l’objet de régression linéaire (model) est disponible dans votre espace de travail. Les tableaux X et y (les données) sont également disponibles.
Cet exercice fait partie du cours
Machine Learning for Time Series Data in Python
Exercice interactif pratique
Essayez cet exercice en complétant cet exemple de code.
# Iterate through CV splits
n_splits = 100
cv = TimeSeriesSplit(n_splits=____)
# Create empty array to collect coefficients
coefficients = np.____([n_splits, X.shape[1]])
for ii, (tr, tt) in enumerate(cv.split(X, y)):
# Fit the model on training data and collect the coefficients
model.fit(X[tr], y[tr])
coefficients[ii] = ____