Validarea încrucișată cu sklearn

Așa cum s-a explicat în Capitolul 2, supraadaptarea (overfitting) setului de date este o problemă frecventă în analiză. Aceasta apare atunci când un model a învățat datele prea exact: obține performanțe excelente pe setul de date pe care a fost antrenat, dar nu reușește să generalizeze în afara acestuia.

Deși tehnica de împărțire în set de antrenament și set de testare, pe care ai învățat-o în Capitolul 2, asigură că modelul nu supraadaptează setul de antrenament, ajustarea hiperparametrilor poate duce la supraadaptarea componentei de testare, deoarece presupune calibrarea modelului pentru a obține cele mai bune rezultate de predicție pe setul de testare. Prin urmare, este recomandat să validezi modelul pe mai multe seturi de testare diferite. Validarea încrucișată k-fold ne permite să realizăm acest lucru:

împarte setul de date într-un set de antrenament și un set de testare
antrenează modelul, face predicții și calculează un scor (poți specifica dacă dorești acuratețea, precizia, recall-ul…)
repetă procesul de k ori în total
returnează media celor 10 scoruri

În acest exercițiu, vei aplica validarea încrucișată pe setul nostru de date și vei evalua rezultatele cu funcția cross_val_score.

Acest exercițiu face parte din cursul

HR Analytics: Predicția fluctuației angajaților în Python

Vezi cursul

Instrucțiuni pentru exercițiu

Importă funcția pentru implementarea validării încrucișate, cross_val_score(), din modulul sklearn.model_selection.
Afișează scorul validării încrucișate pentru modelul tău, specificând 10 segmente cu hiperparametrul cv.

Exercițiu interactiv practic

Încearcă acest exercițiu completând acest cod de exemplu.

# Import the function for implementing cross validation
from sklearn.model_selection import ____

# Use that function to print the cross validation score for 10 folds
print(____(model,features,target,____=10))

Editează și rulează codul