Zamana Göre K-fold

Mağaza-ürün satış verilerinin verildiği ve gelecekteki satışları tahmin etmen gereken "Store Item Demand Forecasting Challenge"ı hatırlıyor musun?

Bu bir zaman serisi verisi içeren yarışma. Bu yüzden, zamana göre K-fold çapraz doğrulama uygulanmalı. Amacın bu çapraz doğrulama stratejisini oluşturmak ve beklendiği gibi çalıştığından emin olmak.

train DataFrame'inin çalışma alanında hazır olduğunu ve TimeSeriesSplit'in sklearn.model_selection içinden içe aktarıldığını unutma.

Bu egzersiz, kursun bir parçasıdır

Python ile Bir Kaggle Yarışmasını Kazanmak

Kursa Göz Atın

Egzersiz talimatları

3 bölmeli bir TimeSeriesSplit nesnesi oluştur.
Zaman K-fold uygulamak için eğitim verisini "date" sütununa göre sırala.
time_kfold nesnesini kullanarak her zaman bölmesi üzerinde döngü kur.
Her bölme için train_index ve test_index kullanarak eğitim ve test katlarını seç.

Uygulamalı etkileşimli egzersiz

Bu egzersizi bu örnek kodu tamamlayarak deneyin.

# Create TimeSeriesSplit object
time_kfold = TimeSeriesSplit(n_splits=____)

# Sort train data by date
train = train.sort_values(____)

# Iterate through each split
fold = 0
for train_index, test_index in ____.____(____):
    cv_train, cv_test = ____.____[____], ____.____[____]
    
    print('Fold :', fold)
    print('Train date range: from {} to {}'.format(cv_train.date.min(), cv_train.date.max()))
    print('Test date range: from {} to {}\n'.format(cv_test.date.min(), cv_test.date.max()))
    fold += 1

Kodu Düzenle ve Çalıştır