Validare încrucișată K-fold

Vei lucra cu o problemă de clasificare binară pe un eșantion dintr-o competiție Kaggle playground. Obiectivul acestei competiții este să prezici dacă celebrul jucător de baschet Kobe Bryant a marcat sau a ratat un anumit șut.

Datele de antrenament sunt disponibile în spațiul tău de lucru sub forma DataFrame-ului bryant_shots. Acesta conține date despre 10.000 de șuturi, cu proprietățile lor și variabila țintă "shot\_made\_flag" -- dacă șutul a fost marcat sau nu.

Una dintre caracteristici este "game_id" -- meciul specific în care a fost efectuat șutul. Există 541 de meciuri distincte, ceea ce înseamnă că ai de-a face cu o caracteristică categorială cu cardinalitate ridicată. Hai să o codificăm folosind media țintei!

Să presupunem că folosești validare încrucișată cu 5 fold-uri și vrei să evaluezi o caracteristică codificată prin media țintei pe validarea locală.

Acest exercițiu face parte din cursul

Câștigarea unei competiții Kaggle în Python

Vezi cursul

Instrucțiuni pentru exercițiu

Pentru a realiza acest lucru, trebuie să repeți procedura de codificare pentru caracteristica categorială "game_id" în interiorul fiecărei împărțiri pe fold, separat. Scopul tău este să specifici toți parametrii lipsă pentru apelul funcției mean_target_encoding() din interiorul fiecărei împărțiri pe fold.
Reamintește-ți că parametrii train și test așteaptă DataFrame-urile de antrenament și testare.
În timp ce parametrii target și categorical așteaptă numele variabilei țintă, respectiv al caracteristicii categoriale care urmează să fie codificate.

Exercițiu interactiv practic

Încearcă acest exercițiu completând acest cod de exemplu.

# Create 5-fold cross-validation
kf = KFold(n_splits=5, random_state=123, shuffle=True)

# For each folds split
for train_index, test_index in kf.split(bryant_shots):
    cv_train, cv_test = bryant_shots.iloc[train_index], bryant_shots.iloc[test_index]

    # Create mean target encoded feature
    cv_train['game_id_enc'], cv_test['game_id_enc'] = mean_target_encoding(train=cv_train,
                                                                           test=____,
                                                                           target='shot_made_flag',
                                                                           categorical='____',
                                                                           alpha=5)
    # Look at the encoding
    print(cv_train[['game_id', 'shot_made_flag', 'game_id_enc']].sample(n=1))

Editează și rulează codul