ПочатиПочніть безкоштовно

`KFold()` у scikit-learn

Ви щойно запустили код колеги, який створює модель випадкового лісу та обчислює точність на відкладеній вибірці. Ви помітили, що в коді колеги не було фіксовано початкового стану генератора випадкових чисел (random state), і знайдені вами помилки зовсім не збігалися з тими, про які повідомляв колега.

Щоб отримати кращу оцінку того, наскільки точно ця модель випадкового лісу працюватиме на нових даних, ви вирішили згенерувати індекси для KFold-кросвалідації.

Ця вправа є частиною курсу

Валідація моделей у Python

Переглянути курс

Інструкції до вправи

  • Викличте метод KFold() для розбиття даних на п'ять фолдів із перетасуванням та фіксованим random_state=1111.
  • Застосуйте метод split() класу KFold до X.
  • Виведіть кількість індексів у списках індексів тренувальної та валідаційної вибірок.

Інтерактивна практична вправа

Спробуйте виконати цю вправу, доповнивши цей зразок коду.

from sklearn.model_selection import KFold

# Use KFold
kf = KFold(____, ____, ____)

# Create splits
splits = kf.____(____)

# Print the number of indices
for train_index, val_index in splits:
    print("Number of training indices: %s" % len(____))
    print("Number of validation indices: %s" % len(____))
Редагувати та запускати код