Kom igångKom igång gratis

Korsvalidering

Korsvalidering är en teknik som används för att kontrollera en modells prestanda på osedd data. Syftet är att säkerställa att testresultaten inte beror på hur data råkade delas upp. I den här övningen använder du sklearn för att köra en K-fold-korsvalidering med modulen KFold() och utvärdera precision och återkallelse för ett beslutsträd.

X_train, y_train, X_test och y_test finns tillgängliga i din miljö. pandas som pd, numpy som np och sklearn är också tillgängliga. KFold() och cross_val_score() från sklearn.model_selection finns även de tillgängliga.

Den här övningen är en del av kursen

Förutsäga CTR med maskininlärning i Python

Visa kurs

Övningsinstruktioner

  • Skapa en beslutsträdsklassificerare.
  • Konfigurera en K-fold-korsvalidering med fyra uppdelningar och tilldela den till k-fold.
  • Använd k_fold för att köra korsvalidering med cross_val_score() och utvärdera modellens precision och återkallelse (använd alltså inte recall_score() eller precision_score()).

Interaktiv övning med praktiskt arbete

Testa den här övningen genom att slutföra den här exempelkoden.

# Create model 
clf = ____

# Set up k-fold
k_fold = ____(n_splits = 4, random_state = 0, shuffle = True)

# Evaluate precision and recall for each fold
precision = ____(
  clf, X_train, ____, cv = ____, scoring = 'precision_weighted')
recall = ____(
  clf, X_train, ____, cv = ____, scoring = 'recall_weighted')
print("Precision scores: %s" %(precision)) 
print("Recall scores: %s" %(recall))
Redigera och kör kod