Zacznij terazZacznij za darmo

Kroswalidacja dla R-kwadrat

Kroswalidacja to kluczowa technika oceny modelu. Pozwala w pełni wykorzystać dostępne dane – model jest bowiem zarówno trenowany, jak i testowany na całym zbiorze danych.

W tym ćwiczeniu zbudujesz model regresji liniowej, a następnie użyjesz 6-krotnej kroswalidacji, aby ocenić jego skuteczność w prognozowaniu sprzedaży na podstawie wydatków na reklamę w mediach społecznościowych. Wyświetlisz wyniki osobno dla każdego z sześciu podziałów.

Zbiór danych sales_df został podzielony na y (zmienna docelowa) i X (cechy) i jest już załadowany. LinearRegression został zaimportowany z sklearn.linear_model.

To ćwiczenie jest częścią kursu

Nadzorowane uczenie maszynowe z scikit-learn

Zobacz kurs

Instrukcje do ćwiczenia

  • Zaimportuj KFold i cross_val_score.
  • Utwórz kf, wywołując KFold() z liczbą podziałów równą sześć, shuffle ustawionym na True i ziarnem losowości 5.
  • Wykonaj kroswalidację, używając reg na X i y, przekazując kf do cv.
  • Wyświetl cv_scores.

Interaktywne ćwiczenie praktyczne

Spróbuj tego ćwiczenia, uzupełniając ten przykładowy kod.

# Import the necessary modules
from ____.____ import ____, ____

# Create a KFold object
kf = ____(n_splits=____, shuffle=____, random_state=____)

reg = LinearRegression()

# Compute 6-fold cross-validation scores
cv_scores = ____(____, ____, ____, cv=____)

# Print scores
print(____)
Edytuj i uruchom kod