Python Data Science

Rozdział 39. Hiperparametry i walidacja modelu

W poprzednim rozdziale pokazałem Ci prosty przepis na stworzenie modelu uczenia nadzorowanego:

1. Wybierz klasę modelu.
2. Wybierz hiperparametry modelu.
3. Dopasuj model do danych ze zbioru uczącego.
4. Wykorzystaj model do przewidywania etykiet w nowych danych.

Na dokładność wyników największy wpływ mają pierwsze dwa kroki — wybór modelu i jego hiperparametrów. Aby dokonać świadomego wyboru, potrzebny nam będzie sposób na sprawdzenie, czy model i hiperparametry dobrze pasują do danych. Proces ten nazywamy walidacją modelu. Choć może się to wydawać proste, istnieją pewne pułapki, których należy unikać.

Walidacja modelu

Zasadniczo walidacja modelu wydaje się bardzo prosta: po wybraniu modelu i jego hiperparametrów ...