Utilizarea validării

Câștigarea unei competiții Kaggle în Python

Yauhen Babakhin

Kaggle Grandmaster

Scurgerea datelor

logo scurgere de date

Scurgere în caracteristici – utilizarea unor date care nu vor fi disponibile în producție
Scurgere în strategia de validare – strategia de validare diferă de situația reală

Date temporale

strategie de validare incorectă pentru date temporale

Validare încrucișată Time K-fold

schemă de validare încrucișată time k-fold

Validare încrucișată Time K-fold

# 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]

Pipeline de validare

# 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)

Compararea modelelor

Număr fold	MSE Model A	MSE Model 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

Scor global de validare

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)

Compararea modelelor

Număr fold	MSE Model A	MSE Model 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
Medie	2.80	2.75
Global	2.919	2.935

Să exersăm!

Câștigarea unei competiții Kaggle în Python