Korsvalidering utan blandning

Träna nu om din modell med blockkorsvalidering (utan att blanda datapunkterna). I det här fallet hålls närliggande tidpunkter nära varandra. Hur tror du att modellens prediktioner kommer att se ut i varje korsvalideringsloop?

En instans av linjär regressions-model finns tillgänglig i din arbetsyta. Arrayerna X och y (träningsdata) finns också tillgängliga.

Den här övningen är en del av kursen

Maskininlärning för tidsseriedata i Python

Visa kurs

Övningsinstruktioner

Skapa ett nytt korsvalideringsobjekt, den här gången med KFold-korsvalidering med 10 uppdelningar och ingen blandning.
Iterera genom objektet för att träna en modell med träningsindexen och generera prediktioner med testindexen.
Visualisera prediктionerna över korsvalideringssplittarna med hjälpfunktionen (visualize_predictions()) som finns tillgänglig.

Interaktiv övning med praktiskt arbete

Testa den här övningen genom att slutföra den här exempelkoden.

# 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)

Redigera och kör kod