Tworzenie podziałów
Jednokrotny podział danych na zbiór treningowy i testowy ma pewną słabość statystyczną – istnieje ryzyko, że zbiór testowy trafi na same wysoko oceniane ziarna kakao, a wszystkie nisko oceniane trafią do zbioru treningowego. Oznacza to też, że wydajność modelu możesz zmierzyć tylko raz.
Walidacja krzyżowa pozwala uzyskać bardziej rzetelną ocenę skuteczności modelu na nowych danych – bez tych statystycznych pułapek. Dzięki niej model jest oceniany gruntowniej.
W tym ćwiczeniu stworzysz podziały zbioru treningowego chocolate_train, który jest już wczytany.
To ćwiczenie jest częścią kursu
Uczenie maszynowe z modelami drzewiastymi w R
Instrukcje do ćwiczenia
- Ustaw ziarno losowości na 20, aby zapewnić odtwarzalność wyników.
- Utwórz 10 podziałów zbioru
chocolate_traini zapisz wynik jakochocolate_folds.
Interaktywne ćwiczenie praktyczne
Spróbuj tego ćwiczenia, uzupełniając ten przykładowy kod.
# Set seed for reproducibility
___
# Build 10 folds
chocolate_folds <- ___(___, v = ___)
print(chocolate_folds)