BaşlayınÜcretsiz başlayın

Çapraz doğrulama

Çapraz doğrulama, bir modelin ayrılmış (holdout) performansını kontrol etmeye yarayan bir tekniktir. Test performansının, verinin nasıl bölündüğüne özgü bir durumdan kaynaklanmadığından emin olmak için yapılır. Bu egzersizde, bir karar ağacı için kesinlik (precision) ve duyarlılık (recall) metriklerini değerlendirmek amacıyla KFold() modülünü kullanarak K-katlı çapraz doğrulamayı sklearn uygulamalarıyla çalıştıracaksın.

X_train, y_train, X_test, y_test çalışma alanında hazır. pandas (pd), numpy (np) ve sklearn de hazır. sklearn.model_selection içindeki KFold() ve cross_val_score() da kullanılabilir.

Bu egzersiz, kursun bir parçasıdır

Python ile Machine Learning kullanarak TOB tahmini

Kursa Göz Atın

Egzersiz talimatları

  • Bir karar ağacı sınıflandırıcısı oluştur.
  • Dört bölmeli bir K-Katlı çapraz doğrulama kur ve k-fold değişkenine ata.
  • Modelinin kesinlik ve duyarlılığını değerlendirmek için cross_val_score() ile çapraz doğrulamayı k_fold kullanarak çalıştır (ve recall_score() veya precision_score() kullanma!).

Uygulamalı etkileşimli egzersiz

Bu egzersizi bu örnek kodu tamamlayarak deneyin.

# 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))
Kodu Düzenle ve Çalıştır