Łączna ocena walidacji
Czas sprawdzić rzeczywistą wydajność modelu przy użyciu walidacji krzyżowej! Jak radzi sobie nasz model przewidywania popytu na produkty w sklepach?
Twoim zadaniem jest obliczenie błędu średniokwadratowego (MSE) osobno dla każdego podziału, a następnie połączenie tych wyników w jedną wartość.
Dla uproszczenia masz do dyspozycji funkcję get_fold_mse(), która dla każdego podziału walidacji krzyżowej dopasowuje model Random Forest i zwraca listę wartości MSE dla poszczególnych foldów. Funkcja get_fold_mse() przyjmuje dwa argumenty: train oraz obiekt TimeSeriesSplit.
To ćwiczenie jest częścią kursu
Zwycięstwo w konkursie Kaggle w Pythonie
Interaktywne ćwiczenie praktyczne
Spróbuj tego ćwiczenia, uzupełniając ten przykładowy kod.
from sklearn.model_selection import TimeSeriesSplit
import numpy as np
# Sort train data by date
train = train.sort_values('date')
# Initialize 3-fold time cross-validation
kf = ____(n_splits=____)
# Get MSE scores for each cross-validation split
mse_scores = get_fold_mse(train, kf)
print('Mean validation MSE: {:.5f}'.format(np.____(____)))