Kom igångKom igång gratis

Leave-one-out-korsvalidering

Anta att din favoritgodis inte finns i candy-datamängden och att du vill uppskatta hur populär den är. Med 5-faldig korsvalidering tränar modellen bara på 80 % av datan åt gången. Candy-datamängden har endast 85 rader, och att utesluta 20 % av datan kan försämra modellen. Leave-one-out-korsvalidering låter dig utnyttja den begränsade datamängden maximalt och ger den bästa uppskattningen av din favoritgodis popularitet!

I den här övningen använder du cross_val_score() för att utföra LOOCV.

Den här övningen är en del av kursen

Modellvalidering i Python

Visa kurs

Övningsinstruktioner

  • Skapa ett utvärderingsmått med mean_absolute_error som cross_val_score() ska använda.
  • Fyll i cross_val_score() så att modellen rfr, det nydefinierade mae_scorer och LOOCV används.
  • Skriv ut medelvärdet och standardavvikelsen för scores med hjälp av numpy (inläst som np).

Interaktiv övning med praktiskt arbete

Testa den här övningen genom att slutföra den här exempelkoden.

from sklearn.metrics import mean_absolute_error, make_scorer

# Create scorer
mae_scorer = ____(____)

rfr = RandomForestRegressor(n_estimators=15, random_state=1111)

# Implement LOOCV
scores = cross_val_score(____, X=X, y=y, cv=____, scoring=____)

# Print the mean and standard deviation
print("The mean of the errors is: %s." % np.____(____))
print("The standard deviation of the errors is: %s." % np.____(____))
Redigera och kör kod