Применение валидации

Победа в соревновании Kaggle на Python

Yauhen Babakhin

Kaggle Grandmaster

Утечка данных

логотип утечки данных

Утечка в признаках – использование данных, недоступных в реальных условиях
Утечка в стратегии валидации – стратегия валидации не соответствует реальной ситуации

Временные данные

неверная стратегия валидации для временных данных

Временная K-блочная кросс-валидация

схема временной k-блочной кросс-валидации

Временная K-блочная кросс-валидация

# 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]

Пайплайн валидации

# 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)

Сравнение моделей

Номер блока	MSE модели A	MSE модели B
Блок 1	2.95	2.97
Блок 2	2.84	2.45
Блок 3	2.62	2.73
Блок 4	2.79	2.83

Итоговая оценка валидации

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)

Сравнение моделей

Номер блока	MSE модели A	MSE модели B
Блок 1	2.95	2.97
Блок 2	2.84	2.45
Блок 3	2.62	2.73
Блок 4	2.79	2.83
Среднее	2.80	2.75
Итого	2.919	2.935

Давайте потренируемся!

Победа в соревновании Kaggle на Python