検証の活用

Pythonで挑むKaggleコンペティション

Yauhen Babakhin

Kaggle Grandmaster

データ漏洩

漏洩のロゴ

特徴量でのリーク – 実運用では利用不可のデータを使用
検証戦略でのリーク – 実運用と異なる検証戦略

時系列データ

時系列データに不適切な検証戦略

時系列K-fold交差検証

時系列K-fold交差検証の方式

時系列K-fold交差検証

# Import TimeSeriesSplit
from sklearn.model_selection import TimeSeriesSplit

# Create a TimeSeriesSplit object
time_kfold = TimeSeriesSplit(n_splits=5)

# Sort train by date
train = train.sort_values('date')

# Loop through each cross-validation split
for train_index, test_index in time_kfold.split(train):
    cv_train, cv_test = train.iloc[train_index], train.iloc[test_index]

検証パイプライン

# List for the results
fold_metrics = []

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

    # Train a model
    model.fit(cv_train)

    # Make predictions
    predictions = model.predict(cv_test)

    # Calculate the metric
    metric = evaluate(cv_test, predictions)
    fold_metrics.append(metric)

モデル比較

フォールド	モデルA MSE	モデルB MSE
フォールド1	2.95	2.97
フォールド2	2.84	2.45
フォールド3	2.62	2.73
フォールド4	2.79	2.83

総合検証スコア

import numpy as np

# Simple mean over the folds
mean_score = np.mean(fold_metrics)

# Overall validation score
overall_score_minimizing = np.mean(fold_metrics) + np.std(fold_metrics)
# Or
overall_score_maximizing = np.mean(fold_metrics) - np.std(fold_metrics)

モデル比較

フォールド	モデルA MSE	モデルB MSE
フォールド1	2.95	2.97
フォールド2	2.84	2.45
フォールド3	2.62	2.73
フォールド4	2.79	2.83
平均	2.80	2.75
総合	2.919	2.935

練習しましょう！

Pythonで挑むKaggleコンペティション