不進行隨機重排的交叉驗證

現在，請使用區塊式交叉驗證（不對所有資料點進行隨機重排）重新執行模型擬合。在這種情況下，相鄰的時間點會彼此靠近保留。你覺得在每個交叉驗證迴圈中，模型的預測會呈現什麼樣子？

你的工作環境中已提供一個 Linear regression 的 model 物件。同時也有 X 和 y（訓練資料）陣列可用。

本練習屬於課程

Python 的時間序列資料機器學習

檢視課程

練習說明

這次請實例化另一個交叉驗證物件，使用 KFold 交叉驗證，設定為 10 個分割且不進行隨機重排。
迭代此物件：用訓練索引來擬合模型，並用測試索引來產生預測。
使用我們提供的輔助函式（visualize_predictions()）視覺化各個 CV 分割的預測結果。

動手互動練習

試著完成這個範例程式碼，體驗一下這個練習。

# 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)

編輯並執行程式碼