Я продолжал выполнять одну и ту же проверку работоспособности для каждого небольшого набора данных, поэтому превратил его в пакет.

После написания двух небольших проектов — один по прогнозированию зарплат в области обработки данных, другой по проверке, означает ли что-нибудь теневой вызов Фила из Панксатони — я заметил, что оба раза делал один и тот же шаг вручную: обучил пару моделей, проверил тестовый набор R², а затем сразу же перезапустил все с перекрестной проверкой, прежде чем доверять этому числу. В наборе данных с несколькими сотнями строк одно разделение поезда/теста может сделать более слабую модель победителем чисто случайно, и я не хотел продолжать ловить это вручную. Поэтому я превратил чек в небольшой пакет: (https://github.com/DostonUr/modelcheck). Что он делает Вы передаете ему свои данные и словарь моделей, и он выполняет сравнение, которое я делал вручную: из sklearn.linear_model импорт LinearReгрессия из sklearn.ensemble импортировать RandomForestRegressor из modelcheck импорта Compare_regressors результат = сравнение_регрессоров( Х, у, модели={ «Линейная регрессия»: LinearRegrade(), «Случайный лес»: RandomForestRegressor(n_estimators=300, random_state=42), }, резюме = 5, ) печать (результат) В нем сообщается результат теста для каждой модели, 5-кратный разброс перекрестной проверки (среднее, стандартное, минимальное, максимальное) для каждой и — часть, которую я на самом деле построил.