En el aprendizaje automático, no pudimos ajustar el modelo a los datos de entrenamiento y no podemos decir que el modelo funcionará con precisión para los datos reales. Para esto, debemos asegurarnos de que nuestro modelo obtuvo los patrones correctos de los datos y que no genera demasiado ruido. Para ello utilizamos la técnica de validación cruzada.
# This code may not be run on GFG IDE # as required packages are not found. # importing cross-validation from sklearn package. from sklearn import cross_validation # value of K is 10. data = cross_validation.KFold(len(train_set), n_folds=10, indices=False)
Publicación traducida automáticamente
Artículo escrito por Abhishek Sharma 44 y traducido por Barcelona Geeks. The original can be accessed here. Licence: CCBY-SA