Walidacja krzyżowa bez mieszania danych

Teraz ponownie dopasuj model, tym razem używając blokowej walidacji krzyżowej (bez mieszania punktów danych). Dzięki temu sąsiadujące punkty czasowe pozostaną blisko siebie. Jak według ciebie będą wyglądać predykcje modelu w kolejnych iteracjach walidacji krzyżowej?

W przestrzeni roboczej dostępna jest instancja obiektu modelu regresji liniowej model. Dostępne są też tablice X i y (dane treningowe).

To ćwiczenie jest częścią kursu

Uczenie maszynowe dla danych szeregów czasowych w Pythonie

Zobacz kurs

Instrukcje do ćwiczenia

Utwórz kolejny obiekt walidacji krzyżowej – tym razem użyj KFold z 10 podziałami i wyłączonym mieszaniem danych.
Iteruj po tym obiekcie, aby dopasować model na danych treningowych i wygenerować predykcje na danych testowych.
Zwizualizuj predykcje dla poszczególnych podziałów walidacji krzyżowej za pomocą dostarczonej funkcji pomocniczej (visualize_predictions()).

Interaktywne ćwiczenie praktyczne

Spróbuj tego ćwiczenia, uzupełniając ten przykładowy kod.

# Create KFold cross-validation object
from sklearn.model_selection import KFold
cv = ____(n_splits=____, shuffle=____)

# Iterate through CV splits
results = []
for tr, tt in cv.split(X, y):
    # Fit the model on training data
    model.fit(____)
    
    # Generate predictions on the test data and collect
    prediction = model.predict(____)
    results.append((prediction, tt))
    
# Custom function to quickly visualize predictions
visualize_predictions(results)

Edytuj i uruchom kod