Cross-validation tanpa pengacakan
Sekarang, jalankan kembali pelatihan model Anda menggunakan block cross-validation (tanpa mengacak seluruh titik data). Dalam kasus ini, titik waktu yang berdekatan akan tetap berdekatan satu sama lain. Menurut Anda, seperti apa prediksi model pada setiap loop cross-validation?
Sebuah instance objek model regresi linear tersedia di workspace Anda. Selain itu, array X dan y (data latih) juga tersedia.
Latihan ini merupakan bagian dari kursus
Machine Learning untuk Data Deret Waktu di Python
Instruksi latihan
- Instansiasikan objek cross-validation lain, kali ini menggunakan KFold cross-validation dengan 10 pembagian dan tanpa pengacakan.
- Iterasikan objek ini untuk melatih model menggunakan indeks latih dan menghasilkan prediksi menggunakan indeks uji.
- Visualisasikan prediksi di seluruh split CV menggunakan fungsi pembantu (
visualize_predictions()) yang telah kami sediakan.
Latihan interaktif langsung praktik
Cobalah latihan ini dengan melengkapi kode contoh ini.
# Create KFold cross-validation object
from sklearn.model_selection import KFold
cv = ____(n_splits=____, shuffle=____)
# Iterate through CV splits
results = []
for tr, tt in cv.split(X, y):
# Fit the model on training data
model.fit(____)
# Generate predictions on the test data and collect
prediction = model.predict(____)
results.append((prediction, tt))
# Custom function to quickly visualize predictions
visualize_predictions(results)