Karıştırma olmadan çapraz doğrulama
Şimdi, model eğitimini blok çapraz doğrulama (tüm veri noktalarını karıştırmadan) ile yeniden çalıştır. Bu yöntemde, komşu zaman noktaları birbirine yakın kalır. Sence her çapraz doğrulama döngüsünde model tahminleri nasıl görünecek?
Çalışma alanında Linear regression model nesnesinin bir örneği hazır. Ayrıca X ve y dizileri (eğitim verisi) de mevcut.
Bu egzersiz
Python ile Zaman Serisi Verileri için Machine Learning
kursunun bir parçasıdırEgzersiz talimatları
- Bu kez karıştırma olmadan 10 parçalı KFold çapraz doğrulama kullanan başka bir çapraz doğrulama nesnesi oluştur.
- Bu nesne üzerinde yineleme yaparak, eğitim indeksleri ile modeli eğit ve test indeksleri ile tahminler üret.
- Sağladığımız yardımcı işlevi (
visualize_predictions()) kullanarak CV bölmeleri boyunca tahminleri görselleştir.
Uygulamalı interaktif egzersiz
Bu örnek kodu tamamlayarak bu egzersizi bitirin.
# 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)