Vyhodnocení a porovnání algoritmů

Teď, když máme nový model s GBTRegressor, je čas porovnat ho s naším základním modelem RandomForestRegressor. Porovnáme predikce obou modelů se skutečnými daty a vypočítáme RMSE a R^2.

Toto cvičení je součástí kurzu

Feature Engineering with PySpark

Zobrazit kurz

Pokyny k cvičení

Importuj RegressionEvaluator z pyspark.ml.evaluation, aby byl dostupný pro další použití.
Inicializuj RegressionEvaluator tak, že nastavíš labelCol na naše skutečná data, SALESCLOSEPRICE, a predictionCol na naše predikovaná data, Prediction_Price.
Pro výpočet metrik zavolej evaluate na objektu evaluator s hodnotami predikcí preds a vytvoř slovník s klíčem evaluator.metricName a hodnotou rmse, totéž proveď pro metriku r2.

Interaktivní cvičení na vyzkoušení si v praxi

Vyzkoušejte si toto cvičení dokončením tohoto ukázkového kódu.

from ____ import ____

# Select columns to compute test error
evaluator = ____(____=____, 
                                ____=____)
# Dictionary of model predictions to loop over
models = {'Gradient Boosted Trees': gbt_predictions, 'Random Forest Regression': rfr_predictions}
for key, preds in models.items():
  # Create evaluation metrics
  rmse = evaluator.____(____, {____: ____})
  r2 = evaluator.____(____, {____: ____})
  
  # Print Model Metrics
  print(key + ' RMSE: ' + str(rmse))
  print(key + ' R^2: ' + str(r2))

Upravit a spustit kód