Итоговая оценка качества модели
Пришло время оценить реальное качество модели с помощью кросс-валидации! Посмотрим, насколько хорошо работает наша модель прогнозирования спроса на товары в магазинах.
Ваша задача — вычислить среднеквадратичную ошибку (MSE) для каждого фолда отдельно, а затем объединить результаты в единое число.
Для удобства вам предоставлена функция get_fold_mse(), которая для каждого разбиения кросс-валидации обучает модель случайного леса и возвращает список значений MSE по фолдам. Функция get_fold_mse() принимает два аргумента: train и объект TimeSeriesSplit.
Это упражнение является частью курса
Победа в соревновании Kaggle на Python
Интерактивное практическое упражнение
Попробуйте выполнить это упражнение, дополнив этот пример кода.
from sklearn.model_selection import TimeSeriesSplit
import numpy as np
# Sort train data by date
train = train.sort_values('date')
# Initialize 3-fold time cross-validation
kf = ____(n_splits=____)
# Get MSE scores for each cross-validation split
mse_scores = get_fold_mse(train, kf)
print('Mean validation MSE: {:.5f}'.format(np.____(____)))