Validare încrucișată fără amestecare
Acum, rulează din nou antrenarea modelului folosind validarea încrucișată pe blocuri (fără a amesteca toate punctele de date). În acest caz, punctele de timp vecine vor fi păstrate apropiate unele de altele. Cum crezi că vor arăta predicțiile modelului în fiecare iterație de validare încrucișată?
O instanță a obiectului de regresie liniară model este disponibilă în spațiul tău de lucru. De asemenea, array-urile X și y (datele de antrenament) sunt și ele disponibile.
Acest exercițiu face parte din cursul
Machine Learning pentru Date de Tip Șir de Timp în Python
Instrucțiuni pentru exercițiu
- Instanțiază un nou obiect de validare încrucișată, de data aceasta folosind validarea încrucișată KFold cu 10 partiții și fără amestecare.
- Iterează prin acest obiect pentru a antrena un model folosind indicii de antrenament și pentru a genera predicții folosind indicii de testare.
- Vizualizează predicțiile de-a lungul iterațiilor de validare încrucișată folosind funcția ajutătoare (
visualize_predictions()) pe care am furnizat-o.
Exercițiu interactiv practic
Încearcă acest exercițiu completând acest cod de exemplu.
# Create KFold cross-validation object
from sklearn.model_selection import KFold
cv = ____(n_splits=____, shuffle=____)
# Iterate through CV splits
results = []
for tr, tt in cv.split(X, y):
# Fit the model on training data
model.fit(____)
# Generate predictions on the test data and collect
prediction = model.predict(____)
results.append((prediction, tt))
# Custom function to quickly visualize predictions
visualize_predictions(results)