Úvod do validace modelů

Validace modelů v Pythonu

Kasey Jones

Data Scientist

Co je validace modelu?

Validace modelu zahrnuje:

Ověření, že model funguje správně na nových datech
Testování výkonu modelu na holdout datasetech
Výběr nejlepšího modelu, parametrů a metrik přesnosti
Dosažení nejlepší přesnosti pro daná data

Přehled modelování v scikit-learn

Základní kroky modelování:

model = RandomForestRegressor(n_estimators=500, random_state=1111)

model.fit(X=X_train, y=y_train)

RandomForestRegressor(bootstrap=True, criterion='mse', max_depth=None,
           max_features='auto', max_leaf_nodes=None,
           min_impurity_decrease=0.0, min_impurity_split=None,
           min_samples_leaf=1, min_samples_split=2,
           min_weight_fraction_leaf=0.0, n_estimators=500, n_jobs=1,
           oob_score=False, random_state=1111, verbose=0, warm_start=False)

Přehled modelování – pokračování

predictions = model.predict(X_test)

print("{0:.2f}".format(mae(y_true=y_test, y_pred=predictions)))

10.84

Vzorec střední absolutní chyby

$$ \frac{\sum_{i=1}^{n} |y_i - \hat{y}_i|}{n} $$

Předpoklady ke kurzu

Fivethirtyeight nabízí různé datasety, včetně žebříčku oblíbenosti halloweenských cukroví. Každá sladkost má procentuální podíl výher v přímých soubojích od 0 do 100 %.

Viděná vs. neviděná data

Trénovací data = viděná data

model = RandomForestRegressor(n_estimators=500, random_state=1111)
model.fit(X_train, y_train)
train_predictions = model.predict(X_train)

Testovací data = neviděná data

model = RandomForestRegressor(n_estimators=500, random_state=1111)
model.fit(X_train, y_train)
test_predictions = model.predict(X_test)

Začněme!

Validace modelů v Pythonu