Крос-валідація без перемішування

Тепер повторно запустіть навчання моделі, використовуючи блочну крос-валідацію (без перемішування всіх точок даних). У цьому разі сусідні моменти часу залишаться поруч один з одним. Як, на вашу думку, виглядатимуть передбачення моделі в кожній ітерації крос-валідації?

Екземпляр об'єкта моделі лінійної регресії model уже є у вашому робочому середовищі. Також доступні масиви X і y (тренувальні дані).

Ця вправа є частиною курсу

Machine Learning для часових рядів у Python

Переглянути курс

Інструкції до вправи

Створіть ще один об'єкт крос-валідації, цього разу використовуючи KFold із 10 фолдами та без перемішування.
Пройдіться по цьому об'єкту: навчіть модель на тренувальних індексах і згенеруйте передбачення на тестових індексах.
Візуалізуйте передбачення для кожного розбиття CV за допомогою наданої допоміжної функції (visualize_predictions()).

Інтерактивна практична вправа

Спробуйте виконати цю вправу, доповнивши цей зразок коду.

# 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)

Редагувати та запускати код