Visualisera variationen i modellens poäng över tid
Nu när du har analyserat variationen hos varje koefficient är det dags att göra samma sak för modellens prestanda (poäng). Kom ihåg att TimeSeriesSplit-objektet använder successivt senare index för varje testmängd. Det innebär att du kan behandla poängen från valideringen som en tidsserie. Genom att visualisera dem över tid kan du se hur modellens prestanda förändras.
En instans av den linjära regressionsmodellen finns lagrad i model, ett korsvalideringsobjekt i cv, och data i X och y.
Den här övningen är en del av kursen
Maskininlärning för tidsseriedata i Python
Interaktiv övning med praktiskt arbete
Testa den här övningen genom att slutföra den här exempelkoden.
from sklearn.model_selection import cross_val_score
# Generate scores for each split to see how the model performs over time
scores = cross_val_score(model, X, y, cv=cv, scoring=my_pearsonr)
# Convert to a Pandas Series object
scores_series = pd.Series(scores, index=times_scores, name='score')
# Bootstrap a rolling confidence interval for the mean score
scores_lo = scores_series.____(20).aggregate(partial(____, percentiles=2.5))
scores_hi = scores_series.____(20).aggregate(partial(____, percentiles=97.5))