<\/p>\n
Aby oceni\u0107 wydajno\u015b\u0107 modelu na zbiorze danych, musimy zmierzy\u0107, jak dobrze przewidywania dokonane przez model odpowiadaj\u0105 obserwowanym danym.<\/span><\/p>\n Powszechnie stosowan\u0105 metod\u0105 jest weryfikacja krzy\u017cowa Leave-One-Out (LOOCV)<\/a> , kt\u00f3ra wykorzystuje nast\u0119puj\u0105ce podej\u015bcie:<\/span><\/p>\n 1.<\/strong> Podziel zbi\u00f3r danych na zbi\u00f3r ucz\u0105cy i testowy, wykorzystuj\u0105c wszystkie obserwacje z wyj\u0105tkiem jednej jako cz\u0119\u015b\u0107 zbioru ucz\u0105cego.<\/span><\/p>\n 2.<\/strong> Utw\u00f3rz model wykorzystuj\u0105c wy\u0142\u0105cznie dane ze zbioru ucz\u0105cego.<\/span><\/p>\n 3.<\/strong> Wykorzysta\u0107 model do przewidzenia warto\u015bci odpowiedzi obserwacji wy\u0142\u0105czonej z modelu i obliczy\u0107 b\u0142\u0105d \u015bredniokwadratowy (MSE).<\/span><\/p>\n 4.<\/strong> Powt\u00f3rz ten proces n<\/em> razy. Oblicz testowe MSE jako \u015bredni\u0105 ze wszystkich testowych MSE.<\/span><\/p>\n Ten samouczek zawiera przyk\u0142adowy krok po kroku spos\u00f3b uruchomienia LOOCV dla danego modelu w j\u0119zyku Python.<\/span><\/p>\n Najpierw za\u0142adujemy funkcje i biblioteki potrzebne w tym przyk\u0142adzie:<\/span><\/p>\n Nast\u0119pnie utworzymy ramk\u0119 danych pandy zawieraj\u0105c\u0105 dwie zmienne predykcyjne, x1<\/sub> i x2<\/sub> , oraz jedn\u0105 zmienn\u0105 odpowiedzi y.<\/span><\/p>\n Nast\u0119pnie dopasujemy model regresji liniowej<\/a> do zbioru danych i wykonamy LOOCV, aby oceni\u0107 wydajno\u015b\u0107 modelu.<\/span><\/p>\n Z wyniku widzimy, \u017ce \u015bredni b\u0142\u0105d bezwzgl\u0119dny (MAE) wyni\u00f3s\u0142 3,146<\/strong> . Oznacza to, \u017ce \u015bredni b\u0142\u0105d bezwzgl\u0119dny pomi\u0119dzy przewidywaniem modelu a danymi faktycznie zaobserwowanymi wynosi 3,146.<\/span><\/p>\n Og\u00f3lnie rzecz bior\u0105c, im ni\u017cszy MAE, tym lepiej model jest w stanie przewidzie\u0107 rzeczywiste obserwacje.<\/span><\/p>\n Inn\u0105 powszechnie u\u017cywan\u0105 metryk\u0105 do oceny wydajno\u015bci modelu jest \u015bredni b\u0142\u0105d kwadratowy (RMSE). Poni\u017cszy kod pokazuje, jak obliczy\u0107 t\u0119 metryk\u0119 za pomoc\u0105 LOOCV:<\/span><\/p>\n Z wyniku widzimy, \u017ce \u015bredni b\u0142\u0105d kwadratowy (RMSE) wyni\u00f3s\u0142 3,619<\/strong> . Im ni\u017cszy RMSE, tym lepiej model jest w stanie przewidzie\u0107 rzeczywiste obserwacje.<\/span><\/p>\n W praktyce zazwyczaj dopasowujemy kilka r\u00f3\u017cnych modeli i por\u00f3wnujemy RMSE lub MAE ka\u017cdego modelu, aby zdecydowa\u0107, kt\u00f3ry model daje najni\u017cszy poziom b\u0142\u0119d\u00f3w testowych i dlatego jest najlepszym modelem do zastosowania.<\/span><\/p>\n Szybkie wprowadzenie do walidacji krzy\u017cowej typu Leave-One-Out (LOOCV)<\/a> Aby oceni\u0107 wydajno\u015b\u0107 modelu na zbiorze danych, musimy zmierzy\u0107, jak dobrze przewidywania dokonane przez model odpowiadaj\u0105 obserwowanym danym. Powszechnie stosowan\u0105 metod\u0105 jest weryfikacja krzy\u017cowa Leave-One-Out (LOOCV) , kt\u00f3ra wykorzystuje nast\u0119puj\u0105ce podej\u015bcie: 1. Podziel zbi\u00f3r danych na zbi\u00f3r ucz\u0105cy i testowy, wykorzystuj\u0105c wszystkie obserwacje z wyj\u0105tkiem jednej jako cz\u0119\u015b\u0107 zbioru ucz\u0105cego. 2. Utw\u00f3rz model wykorzystuj\u0105c wy\u0142\u0105cznie […]<\/p>\n","protected":false},"author":1,"featured_media":0,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"footnotes":""},"categories":[3],"tags":[],"class_list":["post-1173","post","type-post","status-publish","format-standard","hentry","category-przewodnik"],"yoast_head":"\n Krok 1: Za\u0142aduj niezb\u0119dne biblioteki<\/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 Krok 2: Utw\u00f3rz dane<\/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 Krok 3: Wykonaj weryfikacj\u0119 krzy\u017cow\u0105 typu Leave-One-Out<\/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 Dodatkowe zasoby<\/strong><\/span><\/h3>\n
Kompletny przewodnik po regresji liniowej w Pythonie<\/a><\/p>\n","protected":false},"excerpt":{"rendered":"