K-fold stratificat

Așa cum ai observat, distribuția variabilei țintă diferă destul de mult între folduri din cauza împărțirilor aleatoare. Pentru această competiție în particular nu este o problemă critică, însă poate deveni una în competițiile de clasificare cu o variabilă țintă puternic dezechilibrată.

Pentru a rezolva această situație, hai să implementăm strategia K-fold stratificat, cu stratificarea pe variabila țintă. DataFrame-ul train este deja disponibil în spațiul tău de lucru.

Acest exercițiu face parte din cursul

Câștigarea unei competiții Kaggle în Python

Vezi cursul

Instrucțiuni pentru exercițiu

Creează un obiect StratifiedKFold cu 3 folduri și cu amestecare activată.
Iterează peste fiecare împărțire folosind obiectul str_kf. Stratificarea se bazează pe coloana "interest_level".
Pentru fiecare împărțire, selectează foldurile de antrenament și testare folosind train_index și test_index.

Exercițiu interactiv practic

Încearcă acest exercițiu completând acest cod de exemplu.

# Import StratifiedKFold
from sklearn.model_selection import StratifiedKFold

# Create a StratifiedKFold object
str_kf = ____(n_splits=____, shuffle=____, random_state=123)

# Loop through each split
fold = 0
for train_index, test_index in ____.____(train, train['interest_level']):
    # Obtain training and testing folds
    cv_train, cv_test = ____.iloc[____], ____.iloc[____]
    print('Fold: {}'.format(fold))
    print('CV train shape: {}'.format(cv_train.shape))
    print('Medium interest listings in CV train: {}\n'.format(sum(cv_train.interest_level == 'medium')))
    fold += 1

Editează și rulează codul