शुरू करेंमुफ़्त में शुरू करें

sklearn का उपयोग करके Cross-validation

जैसा कि Chapter 2 में समझाया गया था, डेटासेट पर overfitting एनालिटिक्स में एक आम समस्या है. यह तब होता है जब कोई मॉडल डेटा को बहुत नज़दीक से सीख लेता है: जिस डेटासेट पर उसे ट्रेन किया गया, उस पर उसका परफॉर्मेंस बहुत अच्छा रहता है, लेकिन उसके बाहर generalize करने में विफल रहता है.

हालाँकि Chapter 2 में सीखी गई train/test split तकनीक यह सुनिश्चित करती है कि मॉडल training set पर overfit न हो, लेकिन हाइपरपैरामीटर ट्यूनिंग से test हिस्से पर overfitting हो सकती है, क्योंकि इसमें मॉडल को test set पर सबसे अच्छे prediction परिणाम पाने के लिए ट्यून किया जाता है. इसलिए, मॉडल को अलग-अलग testing sets पर validate करना बेहतर माना जाता है. K-fold cross-validation हमें यह करने देता है:

  • यह डेटासेट को training set और testing set में बाँटता है
  • यह मॉडल को fit करता है, predictions बनाता है और एक score निकालता है (आप specify कर सकते हैं कि आपको accuracy, precision, recall… में से क्या चाहिए)
  • यह प्रक्रिया को कुल k बार दोहराता है
  • यह 10 scores का औसत आउटपुट करता है

इस अभ्यास में, आप हमारे डेटासेट पर Cross Validation का उपयोग करेंगे, और cross_val_score फंक्शन से अपने परिणामों का मूल्यांकन करेंगे.

यह अभ्यास पाठ्यक्रम का हिस्सा है

HR Analytics: Python में कर्मचारी churn की भविष्यवाणी

पाठ्यक्रम देखें

अभ्यास निर्देश

  • cross-validation लागू करने के लिए sklearn.model_selection मॉड्यूल से cross_val_score() फंक्शन इम्पोर्ट करें.
  • अपने मॉडल के लिए cross-validation स्कोर प्रिंट करें, और cv हाइपरपैरामीटर से 10 folds specify करें.

इंटरैक्टिव व्यावहारिक अभ्यास

इस अभ्यास को इस नमूना कोड को पूरा करके आज़माएँ।

# Import the function for implementing cross validation
from sklearn.model_selection import ____

# Use that function to print the cross validation score for 10 folds
print(____(model,features,target,____=10))
कोड संपादित करें और चलाएँ