시작하기무료로 시작하기

교차 검증

교차 검증은 모델의 홀드아웃 성능을 확인하려는 기법이에요. 테스트 성능이 데이터 분할의 우연한 요인 때문이 아닌지 확인하기 위해 사용합니다. 이 연습 문제에서는 sklearn의 구현을 사용해 KFold() 모듈로 K-겹 교차 검증을 설정하고, 의사결정나무의 정밀도(precision)와 재현율(recall)을 평가해 볼 거예요.

X_train, y_train, X_test, y_test가 작업 공간에 준비되어 있어요. pandas는 pd, numpy는 np, 그리고 sklearn도 사용할 수 있어요. sklearn.model_selection의 KFold()와 cross_val_score()도 모두 제공됩니다.

이 연습은 강의의 일부입니다

Python으로 Machine Learning을 활용한 CTR 예측

강의 보기

연습 안내

  • 의사결정나무 분류기를 만드세요.
  • 분할 수가 4인 K-겹 교차 검증을 설정하고 k-fold에 할당하세요.
  • k_fold를 사용해 cross_val_score()로 모델의 정밀도와 재현율을 평가하도록 교차 검증을 실행하세요 (recall_score()나 precision_score()는 사용하지 마세요!).

실습형 인터랙티브 연습

이 예제를 이 샘플 코드를 완성하여 풀어보세요.

# 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))
코드 편집 및 실행