0 dní v řadě · 0 bodů

Tahák · Python · Strojové učení

Křížová validace a ladění

Jak spolehlivě změřit kvalitu modelu, vybrat hyperparametry a nenaletět na výsledek, který vypadá lépe, než ve skutečnosti je.

Otevřít celou lekciVšechny taháky
python
from sklearn.model_selection import (
    KFold, StratifiedKFold, GroupKFold, TimeSeriesSplit,
    cross_val_score, cross_validate, GridSearchCV, RandomizedSearchCV,
)

cv = StratifiedKFold(5, shuffle=True, random_state=0)
skore = cross_val_score(model, X, y, cv=cv)        # průměr: skore.mean()
cross_val_score(model, X, y, cv=GroupKFold(5), groups=skupiny)

h = GridSearchCV(model, {"max_depth": [2, 3, 4]}, cv=cv).fit(X_tr, y_tr)
h.best_params_, h.best_score_, h.score(X_te, y_te)

RandomizedSearchCV(model, rozdeleni, n_iter=30, cv=cv, random_state=0)

# vnořená CV: poctivý odhad včetně ladění
cross_val_score(GridSearchCV(model, mrizka, cv=3), X, y, cv=5)