Використання валідації

Як перемагати в змаганнях Kaggle за допомогою Python

Yauhen Babakhin

Kaggle Grandmaster

Витік даних

логотип витоку даних

Витік в ознаках – використання даних, недоступних у реальному сценарії
Витік у стратегії валідації – стратегія відрізняється від реальних умов

Часові дані

некоректна стратегія валідації для часових даних

Time K-fold крос-валідація

схема time k-fold крос-валідації

Time K-fold крос-валідація

# 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]

Конвеєр валідації

# 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)

Порівняння моделей

Номер фолду	Model A MSE	Model B MSE
Фолд 1	2.95	2.97
Фолд 2	2.84	2.45
Фолд 3	2.62	2.73
Фолд 4	2.79	2.83

Загальний бал валідації

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)

Порівняння моделей

Номер фолду	Model A MSE	Model B MSE
Фолд 1	2.95	2.97
Фолд 2	2.84	2.45
Фолд 3	2.62	2.73
Фолд 4	2.79	2.83
Середнє	2.80	2.75
Загальний	2.919	2.935

Давайте потренуємось!

Як перемагати в змаганнях Kaggle за допомогою Python