<\/p>\n
Om de prestaties van een model op een dataset te evalueren, moeten we meten hoe goed de voorspellingen van het model overeenkomen met de waargenomen gegevens.<\/span><\/p>\n Een veelgebruikte methode om dit te doen staat bekend als Leave-One-Out Cross-Validation (LOOCV)<\/a> , waarbij de volgende aanpak wordt gebruikt:<\/span><\/p>\n 1.<\/strong> Splits een dataset op in een trainingsset en een testset, waarbij op \u00e9\u00e9n na alle observaties worden gebruikt als onderdeel van de trainingsset.<\/span><\/p>\n 2.<\/strong> Maak een model met alleen gegevens uit de trainingsset.<\/span><\/p>\n 3.<\/strong> Gebruik het model om de responswaarde te voorspellen van de waarneming die is uitgesloten van het model en bereken de gemiddelde kwadratische fout (MSE).<\/span><\/p>\n 4.<\/strong> Herhaal dit proces n<\/em> keer. Bereken de test-MSE als het gemiddelde van alle test-MSE’s.<\/span><\/p>\n Deze tutorial biedt een stapsgewijs voorbeeld van hoe u LOOCV voor een bepaald model in Python kunt uitvoeren.<\/span><\/p>\n Eerst laden we de functies en bibliotheken die nodig zijn voor dit voorbeeld:<\/span><\/p>\n Vervolgens maken we een Panda DataFrame dat twee voorspellende variabelen bevat, x1<\/sub> en x2<\/sub> , en een enkele responsvariabele y.<\/span><\/p>\n Vervolgens passen we een meervoudig lineair regressiemodel<\/a> aan de dataset toe en voeren we LOOCV uit om de prestaties van het model te evalueren.<\/span><\/p>\n Uit het resultaat kunnen we zien dat de gemiddelde absolute fout (MAE) 3,146<\/strong> was. Dat wil zeggen dat de gemiddelde absolute fout tussen de modelvoorspelling en de feitelijk waargenomen gegevens 3,146 bedraagt.<\/span><\/p>\n Over het algemeen geldt dat hoe lager de MAE, hoe beter een model feitelijke waarnemingen kan voorspellen.<\/span><\/p>\n Een andere veelgebruikte maatstaf om de prestaties van modellen te evalueren is de root mean square error (RMSE). De volgende code laat zien hoe u deze statistiek kunt berekenen met behulp van LOOCV:<\/span><\/p>\n Uit het resultaat kunnen we zien dat de root mean square error (RMSE) 3,619<\/strong> was. Hoe lager de RMSE, hoe beter een model daadwerkelijke waarnemingen kan voorspellen.<\/span><\/p>\n In de praktijk passen we doorgaans verschillende modellen aan en vergelijken we de RMSE of MAE van elk model om te beslissen welk model de laagste testfoutpercentages oplevert en daarom het beste model is om te gebruiken.<\/span><\/p>\n Een korte introductie tot Leave-One-Out Cross-Validation (LOOCV)<\/a> Om de prestaties van een model op een dataset te evalueren, moeten we meten hoe goed de voorspellingen van het model overeenkomen met de waargenomen gegevens. Een veelgebruikte methode om dit te doen staat bekend als Leave-One-Out Cross-Validation (LOOCV) , waarbij de volgende aanpak wordt gebruikt: 1. Splits een dataset op in een trainingsset en […]<\/p>\n","protected":false},"author":1,"featured_media":0,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"footnotes":""},"categories":[11],"tags":[],"class_list":["post-1175","post","type-post","status-publish","format-standard","hentry","category-gids"],"yoast_head":"\n Stap 1: Laad de benodigde bibliotheken<\/strong><\/span><\/h3>\n
from<\/span> sklearn. model_selection<\/span> import<\/span> train_test_split\nfrom<\/span> sklearn. model_selection<\/span> import<\/span> LeaveOneOut\nfrom<\/span> sklearn. model_selection<\/span> import<\/span> cross_val_score\nfrom<\/span> sklearn. linear_model<\/span> import<\/span> LinearRegression\nfrom<\/span> numpy import<\/span> means\nfrom<\/span> numpy import<\/span> absolute\nfrom<\/span> numpy import<\/span> sqrt\nimport<\/span> pandas as<\/span> pd\n<\/strong><\/span><\/pre>\n Stap 2: Cre\u00eber de gegevens<\/strong><\/span><\/h3>\n
df = pd.DataFrame({' y<\/span> ': [6, 8, 12, 14, 14, 15, 17, 22, 24, 23],\n ' x1<\/span> ': [2, 5, 4, 3, 4, 6, 7, 5, 8, 9],\n ' x2<\/span> ': [14, 12, 12, 13, 7, 8, 7, 4, 6, 5]})\n<\/strong><\/span><\/pre>\n Stap 3: Voer een Leave-One-Out-kruisvalidatie uit<\/strong><\/span><\/h3>\n
#define predictor and response variables\n<\/span>X = df[[' x1<\/span> ', ' x2<\/span> ']]\ny = df[' y<\/span> ']\n\n#define cross-validation method to use\n<\/span>cv = LeaveOneOut()\n\n#build multiple linear regression model\n<\/span>model = LinearRegression()\n\n#use LOOCV to evaluate model\n<\/span>scores = cross_val_score(model, X, y, scoring=' neg_mean_absolute_error<\/span> ',\n cv=cv, n_jobs=-1)\n\n#view mean absolute error\n<\/span>mean(absolute(scores))\n\n3.1461548083469726\n<\/strong><\/span><\/pre>\n #define predictor and response variables\n<\/span>X = df[[' x1<\/span> ', ' x2<\/span> ']]\ny = df[' y<\/span> ']\n\n#define cross-validation method to use\n<\/span>cv = LeaveOneOut()\n\n#build multiple linear regression model\n<\/span>model = LinearRegression()\n\n#use LOOCV to evaluate model\n<\/span>scores = cross_val_score(model, X, y, scoring=' neg_mean_squared_error<\/span> ',\n cv=cv, n_jobs=-1)\n\n#view RMSE\n<\/span>sqrt(mean(absolute(scores)))\n\n3.619456476385567<\/strong><\/span><\/pre>\n Aanvullende bronnen<\/strong><\/span><\/h3>\n
Een complete gids voor lineaire regressie in Python<\/a><\/p>\n","protected":false},"excerpt":{"rendered":"