scikit-learn 的 KFold()
你剛執行完同事撰寫的程式碼，該程式會建立一個隨機森林模型並計算樣本外的準確率。你注意到同事的程式碼沒有設定 random state，而且你找到的錯誤與同事回報的錯誤完全不同。
為了更準確估計這個隨機森林模型在新資料上的表現，你決定產生一些索引，供 KFold 交叉驗證使用。
本練習屬於課程
Python 的模型驗證
練習說明
- 呼叫
KFold()，設定為 5 個分割、啟用隨機洗牌（shuffle），並將 random state 設為 1111。 - 對
X使用KFold的split()方法。 - 列印訓練索引與驗證索引兩個清單中的索引數量。
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。
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(____))