Walidacja krzyżowa KFold
Podczas pracy z modelami uczenia maszynowego kluczowe jest ocenianie ich wydajności na nieznanych danych. Jedną z popularnych technik służących temu celowi jest walidacja krzyżowa k-fold. W tym ćwiczeniu sprawdzisz, w jaki sposób technika k-fold dzieli zbiór danych na części treningową i testową. Do dyspozycji masz już zaimportowaną klasę KFold oraz cechy zbioru danych dotyczącego chorób serca: heart_disease_df_X.
To ćwiczenie jest częścią kursu
End-to-End Machine Learning
Instrukcje do ćwiczenia
- Utwórz obiekt KFold z parametrami
n_splits=5,shuffle=Trueirandom_state=42 - Podziel dane za pomocą
kfold.split() - Wypisz liczbę punktów danych w zbiorze treningowym i testowym
Interaktywne ćwiczenie praktyczne
Spróbuj tego ćwiczenia, uzupełniając ten przykładowy kod.
# Create a KFold object
kfold = ____(____, ____, ____)
# Get the train and test data from the first split from the shuffled KFold
train_data_split, test_data_split = next(____.____(____))
# Print out the number of datapoints in the train and test splits
print("Number of training datapoints in heart_disease_df_X:", ____)
print("Number of training datapoints in split:", ____)
print("Number of testing datapoints in split:", ____)