Перехресна валідація KFold

Під час роботи з моделями ML важливо оцінювати їхню якість на невидимих даних. Один із поширених підходів для цього — перехресна валідація з k блоками (k-fold). У цій вправі ви дослідите, як метод k-fold ділить набір даних на тренувальні та тестові підмножини. KFold уже імпортовано для вас, так само як і ознаки набору даних про серцеві захворювання heart_disease_df_X.

Ця вправа є частиною курсу

End-to-End Machine Learning

Переглянути курс

Інструкції до вправи

Створіть об'єкт KFold із n_splits=5, shuffle=True і random_state=42
Розбийте дані за допомогою kfold.split()
Виведіть кількість точок даних у тренувальному та тестовому розбиттях

Інтерактивна практична вправа

Спробуйте виконати цю вправу, доповнивши цей зразок коду.

# Create a KFold object
kfold = ____(____, ____, ____)

# Get the train and test data from the first split from the shuffled KFold
train_data_split, test_data_split = next(____.____(____))

# Print out the number of datapoints in the train and test splits
print("Number of training datapoints in heart_disease_df_X:", ____)
print("Number of training datapoints in split:", ____)
print("Number of testing datapoints in split:", ____)

Редагувати та запускати код