Zacznij terazZacznij za darmo

KFold() z scikit-learn

Właśnie uruchomiłeś kod współpracownika, który tworzy model lasu losowego i oblicza dokładność na danych testowych. Zauważyłeś, że w jego kodzie brakowało ustawienia stanu losowego, a błędy, które uzyskałeś, były zupełnie inne niż te, które zgłosił współpracownik.

Aby lepiej oszacować, jak dokładny będzie ten model lasu losowego na nowych danych, postanowiłeś wygenerować indeksy do wykorzystania w kroswalidacji KFold.

To ćwiczenie jest częścią kursu

Walidacja modeli w Pythonie

Zobacz kurs

Instrukcje do ćwiczenia

  • Wywołaj metodę KFold(), aby podzielić dane na pięć podziałów z zastosowaniem tasowania i stanem losowym równym 1111.
  • Użyj metody split() obiektu KFold na zbiorze X.
  • Wypisz liczbę indeksów zarówno w liście indeksów treningowych, jak i walidacyjnych.

Interaktywne ćwiczenie praktyczne

Spróbuj tego ćwiczenia, uzupełniając ten przykładowy kod.

from sklearn.model_selection import KFold

# Use KFold
kf = KFold(____, ____, ____)

# Create splits
splits = kf.____(____)

# Print the number of indices
for train_index, val_index in splits:
    print("Number of training indices: %s" % len(____))
    print("Number of validation indices: %s" % len(____))
Edytuj i uruchom kod