Použití validace

Jak vyhrát soutěž na Kaggle v Pythonu

Yauhen Babakhin

Kaggle Grandmaster

Únik dat

logo úniku dat

Únik ve features – použití dat, která nebudou dostupná v reálném prostředí
Únik ve validační strategii – validační strategie se liší od reálné situace

Časová data

nesprávná validační strategie pro časová data

Time K-fold křížová validace

schéma time k-fold křížové validace

Time K-fold křížová validace

# 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]

Validační pipeline

# 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)

Porovnání modelů

Číslo foldu	MSE modelu A	MSE modelu 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

Celkové validační skóre

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)

Porovnání modelů

Číslo foldu	MSE modelu A	MSE modelu 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
Průměr	2.80	2.75
Celkem	2.919	2.935

Pojďme procvičovat!

Jak vyhrát soutěž na Kaggle v Pythonu