Flüge optimieren lineare Regression

Bisher hast du bei der Erstellung deiner Modelle die Standard-Hyper-Parameter verwendet. In dieser Übung verwendest du die Kreuzvalidierung, um einen optimalen (oder nahezu optimalen) Satz von Modell-Hyperparametern auszuwählen.

Die folgenden sind bereits erstellt worden:

regression - ein LinearRegression Objekt
pipeline - eine Pipeline mit String-Indexer, One-Hot-Encoder, Vektor-Assembler und linearer Regression und
evaluator - ein RegressionEvaluator Objekt.

Diese Übung ist Teil des Kurses

Maschinelles Lernen mit PySpark

Kurs anzeigen

Anleitung zur Übung

Erstelle einen Parameter Grid Builder.
Füge Raster für mit regression.regParam (Werte 0,01, 0,1, 1,0 und 10,0) und regression.elasticNetParam (Werte 0,0, 0,5 und 1,0) hinzu.
Baue das Gitter auf.
Erstelle einen Kreuzvalidierer, indem du fünf Faltungen angibst.

Interaktive Übung

Vervollständige den Beispielcode, um diese Übung erfolgreich abzuschließen.

# Create parameter grid
params = ____()

# Add grids for two parameters
params = params.____(____, ____) \
               .____(____, ____)

# Build the parameter grid
params = params.____()
print('Number of models to be tested: ', len(params))

# Create cross-validator
cv = ____(estimator=____, estimatorParamMaps=____, evaluator=____, ____)

Code bearbeiten und ausführen