Если ваша модель хорошо работает на всех сгибах, используйте эти параметры для тренировки на всем тренировочном наборе. Затем оцените эту модель на внешнем тестовом наборе.
тав документацию LightGBM по перекрестной проверке, я надеюсь, что это сообщество сможет пролить свет на перекрестные проверки результатов и улучшить наши прогнозы с помощью LightGBM. Как мы должны использовать вывод словаря изlightgbm.cv
улучшить наши прогнозы?
Вот пример - мы обучаем нашу модель cv, используя код ниже:
cv_mod = lgb.cv(params,
d_train,
500,
nfold = 10,
early_stopping_rounds = 25,
stratified = True)
Как мы можем использовать параметры, найденные из лучшей итерации приведенного выше кода, чтобы предсказать вывод? В этом случае,cv_mod
не имеет метода "предсказать", какlightgbm.train
и вывод словаря изlightgbm.cv
выдает ошибку при использовании вlightgbm.train.predict(..., pred_parameters = cv_mod)
.
Я пропустил важный шаг трансформации?