Часовий K-fold

Пам'ятаєте «Store Item Demand Forecasting Challenge», де вам надано дані про продажі товарів у магазинах, і потрібно передбачити майбутні продажі?

Це змагання з часовими рядами. Тому слід застосувати перехресну перевірку за схемою time K-fold. Ваше завдання — створити цю стратегію перехресної перевірки та переконатися, що вона працює як очікується.

Зверніть увагу, що датафрейм train уже доступний у вашому робочому середовищі, а TimeSeriesSplit імпортовано з sklearn.model_selection.

Ця вправа є частиною курсу

Як перемагати в змаганнях Kaggle за допомогою Python

Переглянути курс

Інструкції до вправи

Створіть об'єкт TimeSeriesSplit із 3 розбиттями.
Відсортуйте тренувальні дані за стовпцем "date", щоб застосувати time K-fold.
Пройдіться циклом по кожному часовому розбиттю, використовуючи об'єкт time_kfold.
Для кожного розбиття виберіть тренувальні й тестові підвибірки, використовуючи train_index і test_index.

Інтерактивна практична вправа

Спробуйте виконати цю вправу, доповнивши цей зразок коду.

# Create TimeSeriesSplit object
time_kfold = TimeSeriesSplit(n_splits=____)

# Sort train data by date
train = train.sort_values(____)

# Iterate through each split
fold = 0
for train_index, test_index in ____.____(____):
    cv_train, cv_test = ____.____[____], ____.____[____]
    
    print('Fold :', fold)
    print('Train date range: from {} to {}'.format(cv_train.date.min(), cv_train.date.max()))
    print('Test date range: from {} to {}\n'.format(cv_test.date.min(), cv_test.date.max()))
    fold += 1

Редагувати та запускати код