from sklearn.model_selection import (
KFold, StratifiedKFold, GroupKFold, TimeSeriesSplit,
cross_val_score, cross_validate, GridSearchCV, RandomizedSearchCV,
)
cv = StratifiedKFold(5, shuffle=True, random_state=0)
skore = cross_val_score(model, X, y, cv=cv) # průměr: skore.mean()
cross_val_score(model, X, y, cv=GroupKFold(5), groups=skupiny)
h = GridSearchCV(model, {"max_depth": [2, 3, 4]}, cv=cv).fit(X_tr, y_tr)
h.best_params_, h.best_score_, h.score(X_te, y_te)
RandomizedSearchCV(model, rozdeleni, n_iter=30, cv=cv, random_state=0)
# vnořená CV: poctivý odhad včetně ladění
cross_val_score(GridSearchCV(model, mrizka, cv=3), X, y, cv=5)Tahák · Python · Strojové učení
Křížová validace a ladění
Jak spolehlivě změřit kvalitu modelu, vybrat hyperparametry a nenaletět na výsledek, který vypadá lépe, než ve skutečnosti je.