Zufälligen Wald bewerten

In dieser letzten Übung wirst du die Ergebnisse der Kreuzvalidierung an einem Random-Forest-Modell auswerten.

Folgendes wurde bereits erstellt:

cv - ein Kreuzvalidator, der schon an die Trainingsdaten angepasst wurde
evaluator — ein Objekt vom Typ „ BinaryClassificationEvaluator “ und
flights_test – die Testdaten.

Diese Übung ist Teil des Kurses

Maschinelles Lernen mit PySpark

Kurs anzeigen

Anleitung zur Übung

Druckt eine Liste der durchschnittlichen AUC-Metriken für alle Modelle im Parameterraster.
Zeig die durchschnittliche AUC für das beste Modell an. Das wird der größte AUC in der Liste sein.
Druck eine Erklärung der Parameter „ maxDepth “ und „ featureSubsetStrategy “ für das beste Modell aus.
Zeig die AUC für die besten Modellvorhersagen auf den Testdaten an.

Interaktive Übung

Vervollständige den Beispielcode, um diese Übung erfolgreich abzuschließen.

# Average AUC for each parameter combination in grid
print(cv.____)

# Average AUC for the best model
print(____(____))

# What's the optimal parameter value for maxDepth?
print(cv.____.explainParam('____'))
# What's the optimal parameter value for featureSubsetStrategy?
print(cv.____.____(____))

# AUC for best model on testing data
print(evaluator.____(____.____(____)))

Code bearbeiten und ausführen