Gradient boosted trees: predikce

Jakmile model natrénuješ, dalším krokem je provést predikci. Na rozdíl od základního R, kde se k předpovědím používá funkce predict(), sparklyr pracuje s funkcí ml_predict(). Ta přijímá dva argumenty: model a testovací data.

ml_predict(a_model, testing_data)

Častým postupem je porovnání předpovězených hodnot se skutečnými, které pak můžeš vizualizovat přímo v R. Vzor kódu pro přípravu takových dat vypadá takto. Všimni si, že přidání sloupce s predikcí musí v současnosti proběhnout lokálně, takže je nejprve nutné výsledky shromáždit pomocí collect().

predicted_vs_actual <- testing_data %>%
  select(actual) %>%
  collect() %>%
  mutate(predicted)

Toto cvičení je součástí kurzu

Úvod do Sparku se sparklyr v R

Zobrazit kurz

Pokyny k cvičení

Spark připojení je k dispozici jako spark_conn. Tibbles napojené na trénovací a testovací datové sady uložené ve Sparku jsou předdefinovány jako track_data_to_model_tbl a track_data_to_predict_tbl. Model gradient boosted trees je předdefinován jako gradient_boosted_trees_model.

Definuj proměnnou predicted, která bude obsahovat predikce modelu pro testovací data.
- Zavolej ml_predict() s modelem a testovacími daty jako argumenty. Tato funkce vygeneruje predikce pro testovací datovou sadu a přidá je jako nový sloupec s názvem prediction.
- Pomocí pull() tento sloupec extrahuj a přiřaď ho do predicted.
Definuj proměnnou responses pro přípravu dat k porovnání předpovězených a skutečných hodnot:
- Vyber sloupec s odpovědí year.
- Shromáždi výsledky pomocí collect().
- Pomocí mutate() přidej predikce uložené v predicted.

Interaktivní cvičení na vyzkoušení si v praxi

Vyzkoušejte si toto cvičení dokončením tohoto ukázkového kódu.

# Training, testing sets & model are pre-defined
track_data_to_model_tbl
track_data_to_predict_tbl
gradient_boosted_trees_model

# Predict the responses for the testing data
predicted <- ___(
      ___,
      ___) %>% pull(prediction)

# Prepare the data for comparing predicted responses with actual responses
responses <- track_data_to_predict_tbl %>%
  # Select the response column
  ___ %>%
  # Collect the results
  ___ %>%
  # Add in the predictions
  mutate(___)

Upravit a spustit kód