Кросс-валидация без перемешивания

Теперь повторно запустите обучение модели, используя блочную кросс-валидацию (без перемешивания всех точек данных). В этом случае соседние временные точки будут оставаться рядом друг с другом. Как вы думаете, как будут выглядеть предсказания модели в каждом цикле кросс-валидации?

В рабочем пространстве уже доступен экземпляр объекта линейной регрессии model, а также массивы X и y (обучающие данные).

Это упражнение является частью курса

Машинное обучение для данных временных рядов на Python

Посмотреть курс

Инструкции к упражнению

Создайте ещё один объект кросс-валидации — на этот раз используйте KFold с 10 разбиениями и без перемешивания.
Выполните итерацию по этому объекту, чтобы обучить модель на обучающих индексах и сформировать предсказания на тестовых индексах.
Визуализируйте предсказания по разбиениям кросс-валидации с помощью вспомогательной функции visualize_predictions(), которую мы предоставили.

Интерактивное практическое упражнение

Попробуйте выполнить это упражнение, дополнив этот пример кода.

# 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)

Редактировать и запускать код