Train-test split

Veri, train_test_split ile eğitim ve test kümelerine ayrılır.

Neden ayrı test?

Bir modelin gerçek değeri, hiç görmediği veride ne yaptığıdır. train_test_split veriyi rastgele karıştırıp böler; shuffle=True varsayılandır.

from sklearn.model_selection import train_test_split
X_tr, X_te, y_tr, y_te = train_test_split(X, y, test_size=0.2,
                                          random_state=42, stratify=y)

Zaman serilerinde karıştırmak yanlıştır: gelecekten öğrenip geçmişi tahmin etmek olur. Orada shuffle=False ile ilk kısım eğitime, son kısım teste ayrılır.

random_state ve tekrarlanabilirlik

Farklı bölmeler farklı skorlar verir; küçük veri setlerinde fark büyük olabilir. random_state sabitlenince sonuç tekrarlanabilir olur:

for rs in [0, 1, 2]:
    X_tr, X_te, y_tr, y_te = train_test_split(X, y, test_size=0.3, random_state=rs)
    print(rs, model.fit(X_tr, y_tr).score(X_te, y_te))

Skorun bölmeye göre ne kadar oynadığını görmek, tek bir sayıya fazla güvenmemeyi öğretir; çapraz doğrulama bu sorunu çözer.

Uygulama Sıralı bölme

10 elemanlı sıralı veriyi test_size=0.3, shuffle=False ile böl ve test girdilerini X_test.ravel() ile yazdır.

Örnek çözümü göster

import numpy as np
from sklearn.model_selection import train_test_split

X = np.arange(10).reshape(-1, 1)
y = np.arange(10) * 2

X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.3, shuffle=False)
print(X_test.ravel())

Kendini test et

Günlük satış verisinde gelecek ayı tahmin edeceksen bölmeyi nasıl yaparsın?
- Test kümesi kullanmadan
- Son günler eğitim, eski günler test
- Karıştırmadan: eski günler eğitim, son günler test
- Rastgele karıştırarak
Cevabı göster

Karıştırmadan: eski günler eğitim, son günler test — Zaman sırası korunmalıdır; model yalnızca geçmişten öğrenebilir.

Zaman serisini karıştırmadan böl.

train_test_split(X, y, test_size=0.2, ____=False)

Cevabı göster

train_test_split(X, y, test_size=0.2, shuffle=False)

Parametreleri eşleştir.

test_size

Test oranı
random_state

Tekrarlanabilir bölme
stratify

Sınıf oranını korur
shuffle=False

Sırayı korur

Sıradaki ders: Doğruluk

Deneyiminizi Geliştiriyoruz

Çerez Tercihleri

Kesinlikle Gerekli Çerezler

Analitik Çerezler