शुरू करेंमुफ़्त में शुरू करें

समय के साथ मॉडल स्कोर की परिवर्तनशीलता का विज़ुअलाइज़ेशन

अब जब आपने प्रत्येक कोएफिशिएंट की परिवर्तनशीलता जाँच ली है, तो आइए यही काम मॉडल के परफॉरमेंस (स्कोर) के लिए करें। याद करें कि TimeSeriesSplit ऑब्जेक्ट प्रत्येक टेस्ट सेट के लिए क्रमशः बाद के इंडेक्स का उपयोग करता है। इसका मतलब है कि आप अपने वैलिडेशन के स्कोर को एक टाइम सीरीज़ की तरह मान सकते हैं। आप इसे समय के साथ प्लॉट कर सकते हैं ताकि देख सकें कि समय के साथ मॉडल का परफॉरमेंस कैसे बदलता है।

एक Linear regression मॉडल ऑब्जेक्ट model में, एक cross-validation ऑब्जेक्ट cv में, और डेटा X और y में दिया गया है।

यह अभ्यास पाठ्यक्रम का हिस्सा है

Python में Time Series Data के लिए Machine Learning

पाठ्यक्रम देखें

इंटरैक्टिव व्यावहारिक अभ्यास

इस अभ्यास को इस नमूना कोड को पूरा करके आज़माएँ।

from sklearn.model_selection import cross_val_score

# Generate scores for each split to see how the model performs over time
scores = cross_val_score(model, X, y, cv=cv, scoring=my_pearsonr)

# Convert to a Pandas Series object
scores_series = pd.Series(scores, index=times_scores, name='score')

# Bootstrap a rolling confidence interval for the mean score
scores_lo = scores_series.____(20).aggregate(partial(____, percentiles=2.5))
scores_hi = scores_series.____(20).aggregate(partial(____, percentiles=97.5))
कोड संपादित करें और चलाएँ