Convalida incrociata per l'R-squared

La convalida incrociata è un approccio fondamentale per valutare un modello. Questo metodo massimizza la quantità di dati disponibili per il modello, in quanto il modello non solo viene addestrato ma anche testato su tutti i dati disponibili.

In questo esercizio costruirai un modello di regressione lineare e poi userai una convalida incrociata di 6 volte per valutarne l'accuratezza nel prevedere le vendite con la spesa pubblicitaria sui social media. Verrà visualizzato il punteggio individuale per ciascuna delle sei pieghe.

Il set di dati sales_df è stato suddiviso in y per la variabile target e X per le caratteristiche e precaricato per te. LinearRegression è stato importato da sklearn.linear_model.

Questo esercizio fa parte del corso

Apprendimento supervisionato con scikit-learn

Visualizza il corso

Istruzioni dell'esercizio

Importazione di KFold e cross_val_score.
Crea kf chiamando KFold(), impostando il numero di split a sei, shuffle a True, e impostando un seme di 5.
Esegui una convalida incrociata utilizzando reg su X e y, passando kf a cv.
Stampa il sito cv_scores.

Esercizio pratico interattivo

Prova a risolvere questo esercizio completando il codice di esempio.

# Import the necessary modules
from ____.____ import ____, ____

# Create a KFold object
kf = ____(n_splits=____, shuffle=____, random_state=____)

reg = LinearRegression()

# Compute 6-fold cross-validation scores
cv_scores = ____(____, ____, ____, cv=____)

# Print scores
print(____)

Modifica ed esegui il codice

Questo esercizio fa parte del corso

Apprendimento supervisionato con scikit-learn

IntermediárioNível de habilidade

4.8+

Inizia il corso gratis

In this chapter, you'll be introduced to classification problems and learn how to solve them using supervised learning techniques. You'll learn how to split data into training and test sets, fit a model, make predictions, and evaluate accuracy. You’ll discover the relationship between model complexity and performance, applying what you learn to a churn dataset, where you will classify the churn status of a telecom company's customers.

Exercise 1: Machine learning with scikit-learn Exercise 2: Binary classification Exercise 3: The supervised learning workflow Exercise 4: The classification challenge Exercise 5: k-Nearest Neighbors: Fit Exercise 6: k-Nearest Neighbors: Predict Exercise 7: Measuring model performance Exercise 8: Train/test split + computing accuracy Exercise 9: Overfitting and underfitting Exercise 10: Visualizing model complexity

In this chapter, you will be introduced to regression, and build models to predict sales values using a dataset on advertising expenditure. You will learn about the mechanics of linear regression and common performance metrics such as R-squared and root mean squared error. You will perform k-fold cross-validation, and apply regularization to regression models to reduce the risk of overfitting.

Exercise 1: Introduzione alla regressione Exercise 2: Creazione di caratteristiche Exercise 3: Costruire un modello di regressione lineare Exercise 4: Visualizzazione di un modello di regressione lineare Exercise 5: Le basi della regressione lineare Exercise 6: Adattamento e previsione per la regressione Exercise 7: Prestazioni di regressione Exercise 8: Convalida incrociata Exercise 9: Convalida incrociata per l'R-squared

Esercizio in corso

Exercise 10: Analisi delle metriche di convalida incrociata Exercise 11: Regressione regolarizzata Exercise 12: Regressione regolarizzata: Crinale Exercise 13: Regressione Lasso per l'importanza delle caratteristiche

Having trained models, now you will learn how to evaluate them. In this chapter, you will be introduced to several metrics along with a visualization technique for analyzing classification model performance using scikit-learn. You will also learn how to optimize classification and regression models through the use of hyperparameter tuning.

Exercise 1: How good is your model?Exercise 2: Deciding on a primary metric Exercise 3: Assessing a diabetes prediction classifier Exercise 4: Logistic regression and the ROC curve Exercise 5: Building a logistic regression model Exercise 6: The ROC curve Exercise 7: ROC AUC Exercise 8: Hyperparameter tuning Exercise 9: Hyperparameter tuning with GridSearchCV Exercise 10: Hyperparameter tuning with RandomizedSearchCV

Learn how to impute missing values, convert categorical data to numeric values, scale data, evaluate multiple supervised learning models simultaneously, and build pipelines to streamline your workflow!

Exercise 1: Preprocessing data Exercise 2: Creating dummy variables Exercise 3: Regression with categorical features Exercise 4: Handling missing data Exercise 5: Dropping missing data Exercise 6: Pipeline for song genre prediction: I Exercise 7: Pipeline for song genre prediction: II Exercise 8: Centering and scaling Exercise 9: Centering and scaling for regression Exercise 10: Centering and scaling for classification Exercise 11: Evaluating multiple models Exercise 12: Visualizing regression model performance Exercise 13: Predicting on the test set Exercise 14: Visualizing classification model performance Exercise 15: Pipeline for predicting song popularity Exercise 16: Congratulations