Mulai sekarangMulai gratis

Cross validation

Cross validation adalah teknik untuk memeriksa performa holdout suatu model. Teknik ini dilakukan untuk memastikan bahwa performa pengujian tidak disebabkan oleh masalah tertentu dalam pembagian data. Pada latihan ini, Anda akan menggunakan implementasi dari sklearn untuk menjalankan K-fold cross validation dengan menggunakan modul KFold() guna menilai precision dan recall untuk sebuah decision tree.

X_train, y_train, X_test, y_test tersedia di workspace Anda. pandas sebagai pd, numpy sebagai np, dan sklearn juga tersedia di workspace Anda. KFold() dan cross_val_score() dari sklearn.model_selection juga tersedia.

Latihan ini merupakan bagian dari kursus

Memprediksi CTR dengan Machine Learning di Python

Lihat Kursus

Instruksi latihan

  • Buat sebuah classifier decision tree.
  • Siapkan K-Fold cross validation dengan empat pembagian dan tetapkan ke k-fold.
  • Gunakan k_fold untuk menjalankan cross validation menggunakan cross_val_score() guna mengevaluasi precision dan recall model Anda (dan bukan menggunakan recall_score() atau precision_score()!).

Latihan interaktif langsung praktik

Cobalah latihan ini dengan melengkapi kode contoh ini.

# Create model 
clf = ____

# Set up k-fold
k_fold = ____(n_splits = 4, random_state = 0, shuffle = True)

# Evaluate precision and recall for each fold
precision = ____(
  clf, X_train, ____, cv = ____, scoring = 'precision_weighted')
recall = ____(
  clf, X_train, ____, cv = ____, scoring = 'recall_weighted')
print("Precision scores: %s" %(precision)) 
print("Recall scores: %s" %(recall))
Edit dan Jalankan Kode