BaşlayınÜcretsiz başlayın

Model seçimi

Düzenlileştirme ve çapraz doğrulama, model seçiminde güçlü araçlardır. Düzenlileştirme aşırı öğrenmeyi önlemeye yardımcı olur, çapraz doğrulama ise modellerinin doğru şekilde değerlendirildiğinden emin olmanı sağlar. Bu egzersizde, düzenlileştirme ve çapraz doğrulamayı birlikte kullanacak ve modellerin anlamlı ölçüde farklı olup olmadığını göreceksin. Yalnızca precision (kesinlik) hesaplayacaksın, ancak aynı egzersiz kolayca recall (duyarlılık) ve diğer değerlendirme metrikleri için de yapılabilir.

X_train, y_train, X_test, y_test çalışma alanında mevcut. pandas pd olarak, numpy np olarak ve sklearn de çalışma alanında mevcut. sklearn.metrics içinden precision_score() ve recall_score() ile sklearn.model_selection içinden KFold() ve cross_val_score() de kullanılabilir.

Bu egzersiz, kursun bir parçasıdır

Python ile Machine Learning kullanarak TOB tahmini

Kursa Göz Atın

Egzersiz talimatları

  • n_splits kullanarak dört parçalı bir K-Katlı çapraz doğrulama kur ve k-fold değişkenine ata.
  • Bir karar ağacı sınıflandırıcısı oluştur.
  • Verilen max_depth değeri için karar ağacı modelinin precision ve recall değerlerini değerlendirmek üzere çapraz doğrulamayı k_fold ile çalıştır.

Uygulamalı etkileşimli egzersiz

Bu egzersizi bu örnek kodu tamamlayarak deneyin.

# Iterate over different levels of max depth and set up k-fold
for max_depth_val in [3, 5, 10]:
  k_fold = ____(____ = 4, random_state = 0, shuffle = True)
  clf = ____(____ = max_depth_val)
  print("Evaluating Decision Tree for max_depth = %s" %(max_depth_val))
  y_pred = clf.fit(____, ____).predict(____) 
  
  # Calculate precision for cross validation and test
  cv_precision = ____(
    ____, X_train, y_train, cv = k_fold, scoring = 'precision_weighted')
  precision = ____(y_test, y_pred, average = 'weighted')
  print("Cross validation Precision: %s" %(cv_precision))
  print("Test Precision: %s" %(precision))
Kodu Düzenle ve Çalıştır