Wizualizacja zmienności wyników modelu w czasie
Skoro oceniono już zmienność każdego współczynnika, czas zrobić to samo dla wyników (scores) modelu. Przypomnij sobie, że obiekt TimeSeriesSplit używa kolejno późniejszych indeksów dla każdego zbioru testowego. Oznacza to, że wyniki walidacji możesz traktować jak szereg czasowy. Zwizualizuj je w czasie, aby zobaczyć, jak zmienia się skuteczność modelu.
Instancja modelu regresji liniowej jest przechowywana w zmiennej model, obiekt walidacji krzyżowej w cv, a dane w X i y.
To ćwiczenie jest częścią kursu
Uczenie maszynowe dla danych szeregów czasowych w Pythonie
Interaktywne ćwiczenie praktyczne
Spróbuj tego ćwiczenia, uzupełniając ten przykładowy kod.
from sklearn.model_selection import cross_val_score
# Generate scores for each split to see how the model performs over time
scores = cross_val_score(model, X, y, cv=cv, scoring=my_pearsonr)
# Convert to a Pandas Series object
scores_series = pd.Series(scores, index=times_scores, name='score')
# Bootstrap a rolling confidence interval for the mean score
scores_lo = scores_series.____(20).aggregate(partial(____, percentiles=2.5))
scores_hi = scores_series.____(20).aggregate(partial(____, percentiles=97.5))