ПочатиПочніть безкоштовно

Leave-one-out cross-validation

Припустімо, що ваш улюблений цукерковий бренд відсутній у наборі даних про цукерки, і вас цікавить його популярність. Під час 5-кратної перехресної перевірки щоразу тренування відбувається лише на 80% даних. Однак у наборі даних про цукерки всього 85 рядків, і вилучення 20% даних може зашкодити нашій моделі. Натомість leave-one-out cross-validation дає змогу максимально використати обмежений набір даних і забезпечить найкращу оцінку популярності ваших улюблених цукерок!

У цій вправі ви використаєте cross_val_score() для виконання LOOCV.

Ця вправа є частиною курсу

Валідація моделей у Python

Переглянути курс

Інструкції до вправи

  • Створіть оцінювач із використанням mean_absolute_error для подальшого застосування в cross_val_score().
  • Заповніть виклик cross_val_score() так, щоб використовувалися модель rfr, щойно визначений mae_scorer і LOOCV.
  • Виведіть середнє значення та стандартне відхилення scores за допомогою numpy (імпортовано як np).

Інтерактивна практична вправа

Спробуйте виконати цю вправу, доповнивши цей зразок коду.

from sklearn.metrics import mean_absolute_error, make_scorer

# Create scorer
mae_scorer = ____(____)

rfr = RandomForestRegressor(n_estimators=15, random_state=1111)

# Implement LOOCV
scores = cross_val_score(____, X=X, y=y, cv=____, scoring=____)

# Print the mean and standard deviation
print("The mean of the errors is: %s." % np.____(____))
print("The standard deviation of the errors is: %s." % np.____(____))
Редагувати та запускати код