交叉驗證
交叉驗證是一種用來檢查模型保留集效能的技巧。這麼做是為了確保測試表現不是因為資料切分的偶然因素所造成。在本練習中，你會使用 sklearn 的實作，透過 KFold() 模組執行 K 折交叉驗證，來評估決策樹的 precision 與 recall。
X_train、y_train、X_test、y_test 已提供在你的工作環境中。pandas 作為 pd、numpy 作為 np，以及 sklearn 也都可用。sklearn.model_selection 中的 KFold() 與 cross_val_score() 也都可使用。
本練習屬於課程
用 Python 透過機器學習預測 CTR
練習說明
- 建立一個決策樹分類器。
- 設定一個有 4 個分割的 K 折交叉驗證，並指定為
k-fold。 - 使用
k-fold搭配cross_val_score()來執行交叉驗證，評估模型的 precision 與 recall（不要使用recall_score()或precision_score()！）。
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 model
clf = ____
# Set up k-fold
k_fold = ____(n_splits = 4, random_state = 0, shuffle = True)
# Evaluate precision and recall for each fold
precision = ____(
clf, X_train, ____, cv = ____, scoring = 'precision_weighted')
recall = ____(
clf, X_train, ____, cv = ____, scoring = 'recall_weighted')
print("Precision scores: %s" %(precision))
print("Recall scores: %s" %(recall))