Uso da validação

Vencendo uma competição do Kaggle em Python

Yauhen Babakhin

Kaggle Grandmaster

Vazamento de dados

logo de vazamento

Vazamento em features – uso de dados que não estarão disponíveis no cenário real
Vazamento na estratégia de validação – a estratégia difere da situação real

Dados temporais

estratégia de validação incorreta para dados de tempo

Validação cruzada K-fold temporal

esquema de validação cruzada K-fold temporal

Validação cruzada K-fold temporal

# Importar TimeSeriesSplit
from sklearn.model_selection import TimeSeriesSplit

# Criar um objeto TimeSeriesSplit
time_kfold = TimeSeriesSplit(n_splits=5)

# Ordenar o train por data
train = train.sort_values('date')

# Loop pelos splits de validação cruzada
for train_index, test_index in time_kfold.split(train):
    cv_train, cv_test = train.iloc[train_index], train.iloc[test_index]

Pipeline de validação

# Lista para os resultados
fold_metrics = []

for train_index, test_index in CV_STRATEGY.split(train):
    cv_train, cv_test = train.iloc[train_index], train.iloc[test_index]

    # Treinar um modelo
    model.fit(cv_train)

    # Fazer previsões
    predictions = model.predict(cv_test)

    # Calcular a métrica
    metric = evaluate(cv_test, predictions)
    fold_metrics.append(metric)

Comparação de modelos

Nº do fold	MSE Modelo A	MSE Modelo B
Fold 1	2.95	2.97
Fold 2	2.84	2.45
Fold 3	2.62	2.73
Fold 4	2.79	2.83

Score geral de validação

import numpy as np

# Média simples entre os folds
mean_score = np.mean(fold_metrics)

# Score geral de validação
overall_score_minimizing = np.mean(fold_metrics) + np.std(fold_metrics)
# Ou
overall_score_maximizing = np.mean(fold_metrics) - np.std(fold_metrics)

Comparação de modelos

Nº do fold	MSE Modelo A	MSE Modelo B
Fold 1	2.95	2.97
Fold 2	2.84	2.45
Fold 3	2.62	2.73
Fold 4	2.79	2.83
Média	2.80	2.75
Geral	2.919	2.935

Vamos praticar!

Vencendo uma competição do Kaggle em Python