Tijdgebaseerde cross-validatie
Laten we tot slot het gedrag van de time series cross-validation iterator in scikit-learn visualiseren. Gebruik dit object om nog één keer door je data te itereren en visualiseer de trainingsdata die bij elke iteratie wordt gebruikt om het model te trainen.
Er staat een instantie van het Linear regression-modelobject voor je klaar in je werkruimte. Ook de arrays X en y (trainingsdata) zijn beschikbaar.
Deze oefening maakt deel uit van de cursus
Machine Learning voor tijdreeksgegevens in Python
Oefeninstructies
- Importeer
TimeSeriesSplituitsklearn.model_selection. - Maak een time series cross-validation iterator met 10 splits aan.
- Itereer door de CV-splits. Visualiseer bij elke iteratie de waarden van de inputdata die zouden worden gebruikt om het model voor die iteratie te trainen.
Interactieve oefening met praktijkervaring
Probeer deze oefening door deze voorbeeldcode aan te vullen.
# Import TimeSeriesSplit
____
# Create time-series cross-validation object
cv = ____
# Iterate through CV splits
fig, ax = plt.subplots()
for ii, (tr, tt) in enumerate(cv.split(X, y)):
# Plot the training data on each iteration, to see the behavior of the CV
ax.plot(tr, ii + y[tr])
ax.set(title='Training data on each CV iteration', ylabel='CV iteration')
plt.show()