การใช้งาน Validation

การแข่งขัน Kaggle ด้วย Python

Yauhen Babakhin

Kaggle Grandmaster

Data Leakage

โลโก้ data leakage

การรั่วไหลใน features – ใช้ข้อมูลที่ไม่มีในสถานการณ์จริง
การรั่วไหลใน validation strategy – กลยุทธ์ validation แตกต่างจากสถานการณ์จริง

ข้อมูลเวลา

กลยุทธ์ validation ที่ไม่ถูกต้องสำหรับข้อมูลเวลา

Time K-fold Cross-Validation

แผนภาพ time k-fold cross validation

Time K-fold Cross-Validation

# 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]

Validation 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)

การเปรียบเทียบโมเดล

หมายเลข Fold	MSE โมเดล A	MSE โมเดล 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

คะแนน Validation โดยรวม

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)

การเปรียบเทียบโมเดล

หมายเลข Fold	MSE โมเดล A	MSE โมเดล 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
ค่าเฉลี่ย	2.80	2.75
โดยรวม	2.919	2.935

มาฝึกกันเถอะ!

การแข่งขัน Kaggle ด้วย Python