Vizualizarea variabilității scorului modelului în timp
Acum că ai evaluat variabilitatea fiecărui coeficient, hai să facem același lucru pentru performanța (scorurile) modelului. Reamintește-ți că obiectul TimeSeriesSplit va folosi indici din ce în ce mai târzii pentru fiecare set de testare. Asta înseamnă că poți trata scorurile validării ca pe o serie de timp. Le poți vizualiza în timp pentru a observa cum evoluează performanța modelului.
O instanță a modelului de regresie liniară este stocată în model, un obiect de validare încrucișată în cv, iar datele se află în X și y.
Acest exercițiu face parte din cursul
Machine Learning pentru Date de Tip Șir de Timp în Python
Exercițiu interactiv practic
Încearcă acest exercițiu completând acest cod de exemplu.
from sklearn.model_selection import cross_val_score
# Generate scores for each split to see how the model performs over time
scores = cross_val_score(model, X, y, cv=cv, scoring=my_pearsonr)
# Convert to a Pandas Series object
scores_series = pd.Series(scores, index=times_scores, name='score')
# Bootstrap a rolling confidence interval for the mean score
scores_lo = scores_series.____(20).aggregate(partial(____, percentiles=2.5))
scores_hi = scores_series.____(20).aggregate(partial(____, percentiles=97.5))