Wybór modelu

Regularyzacja i walidacja krzyżowa to potężne narzędzia przy wyborze modelu. Regularyzacja pomaga zapobiegać przeuczeniu, a walidacja krzyżowa zapewnia rzetelną ocenę modeli. W tym ćwiczeniu połączysz obie techniki i sprawdzisz, czy modele różnią się od siebie w istotny sposób. Obliczysz wyłącznie precyzję, choć to samo ćwiczenie można równie łatwo wykonać dla czułości i innych metryk ewaluacyjnych.

X_train, y_train, X_test, y_test są dostępne w twoim środowisku pracy. Dostępne są również pandas jako pd, numpy jako np oraz sklearn. Z modułu sklearn.metrics dostępne są funkcje precision_score() i recall_score(), a z modułu sklearn.model_selection – KFold() i cross_val_score().

Skonfiguruj walidację krzyżową K-fold z czterema podziałami, używając parametru n_splits, i przypisz wynik do k-fold.
Utwórz klasyfikator drzewa decyzyjnego.
Użyj k_fold, aby przeprowadzić walidację krzyżową i ocenić precyzję oraz czułość modelu drzewa decyzyjnego dla podanej wartości max_depth.

.css-6su6fj{-webkit-flex-shrink:0;-ms-flex-negative:0;flex-shrink:0;}ćwiczenie

Instrukcje

ćwiczenie