कुल वैलिडेशन स्कोर
अब cross-validation का उपयोग करके असली मॉडल परफॉर्मेंस निकालने का समय है! हमारा store item demand prediction मॉडल कैसा प्रदर्शन करता है?
आपका काम है हर fold के लिए Mean Squared Error (MSE) अलग-अलग निकालना, और फिर इन परिणामों को मिलाकर एक एकल संख्या बनाना।
सुविधा के लिए, आपको get_fold_mse() फंक्शन दिया गया है, जो हर cross-validation split के लिए एक Random Forest मॉडल फिट करता है और fold के हिसाब से MSE स्कोरों की सूची लौटाता है। get_fold_mse() दो आर्ग्युमेंट लेता है: train और TimeSeriesSplit ऑब्जेक्ट.
यह अभ्यास पाठ्यक्रम का हिस्सा है
Python में Kaggle प्रतियोगिता जीतना
इंटरैक्टिव व्यावहारिक अभ्यास
इस अभ्यास को इस नमूना कोड को पूरा करके आज़माएँ।
from sklearn.model_selection import TimeSeriesSplit
import numpy as np
# Sort train data by date
train = train.sort_values('date')
# Initialize 3-fold time cross-validation
kf = ____(n_splits=____)
# Get MSE scores for each cross-validation split
mse_scores = get_fold_mse(train, kf)
print('Mean validation MSE: {:.5f}'.format(np.____(____)))