ПочатиПочніть безкоштовно

Крос-валідація для R-squared

Крос-валідація — ключовий підхід до оцінювання моделі. Вона максимально використовує доступні дані, адже модель не лише навчається, а й перевіряється на всіх доступних прикладах.

У цій вправі ви побудуєте модель лінійної регресії, а потім застосуєте 6-кратну крос-валідацію, щоб оцінити її точність у прогнозуванні продажів за витратами на рекламу в соцмережах. Ви виведете окремий бал для кожної з шести складок.

Набір даних sales_df уже поділено на y (цільова змінна) та X (ознаки) і попередньо завантажено для вас. LinearRegression імпортовано з sklearn.linear_model.

Ця вправа є частиною курсу

Кероване навчання зі scikit-learn

Переглянути курс

Інструкції до вправи

  • Імпортуйте KFold і cross_val_score.
  • Створіть kf, викликавши KFold(), встановіть кількість розбиттів на шість, shuffle — у True, а зерно випадковості — 5.
  • Виконайте крос-валідацію, використовуючи reg на X та y, передавши kf до cv.
  • Надрукуйте cv_scores.

Інтерактивна практична вправа

Спробуйте виконати цю вправу, доповнивши цей зразок коду.

# Import the necessary modules
from ____.____ import ____, ____

# Create a KFold object
kf = ____(n_splits=____, shuffle=____, random_state=____)

reg = LinearRegression()

# Compute 6-fold cross-validation scores
cv_scores = ____(____, ____, ____, cv=____)

# Print scores
print(____)
Редагувати та запускати код