Interpretace koeficientů

Připomeň si, že letiště původu org má osm možných hodnot (ORD, SFO, JFK, LGA, SMF, SJC, TUS a OGG), které byly zakódovány metodou one-hot encoding do sedmi dummy proměnných v org_dummy.

Hodnoty km a org_dummy byly sloučeny do features, které mají osm sloupců v řídké reprezentaci. Indexy sloupců ve features jsou následující:

0 — km
1 — ORD
2 — SFO
3 — JFK
4 — LGA
5 — SMF
6 — SJC a
7 — TUS.

Všimni si, že OGG se v tomto seznamu nevyskytuje, protože jde o referenční úroveň kategorie letiště původu.

Instance LinearRegression je dostupná v proměnné regression. V tomto cvičení budeš používat atributy intercept a coefficients k interpretaci modelu.

Atribut coefficients je seznam, kde první prvek udává, jak se mění délka letu v závislosti na vzdálenosti letu.

Toto cvičení je součástí kurzu

Machine Learning with PySpark

Zobrazit kurz

Pokyny k cvičení

Zjisti průměrnou rychlost v km za hodinu. Výsledek bude odlišný od hodnoty, kterou jsi získal/a dříve, protože tvůj model je teď sofistikovanější.
Jaká je průměrná doba stráveného času na zemi na letišti OGG?
Jaká je průměrná doba stráveného času na zemi na letišti JFK?
Jaká je průměrná doba stráveného času na zemi na letišti LGA?

Interaktivní cvičení na vyzkoušení si v praxi

Vyzkoušejte si toto cvičení dokončením tohoto ukázkového kódu.

# Average speed in km per hour
avg_speed_hour = ____
print(avg_speed_hour)

# Average minutes on ground at OGG
inter = regression.____
print(inter)

# Average minutes on ground at JFK
avg_ground_jfk = ____ + regression.____[____]
print(avg_ground_jfk)

# Average minutes on ground at LGA
avg_ground_lga = ____ + regression.____[____]
print(avg_ground_lga)

Upravit a spustit kód