Flüge mit linearer Regression optimieren

Bisher hast du beim Erstellen deiner Modelle die Standard-Hyperparameter verwendet. In dieser Übung wirst du die Kreuzvalidierung nutzen, um einen optimalen (oder nahezu optimalen) Satz von Modell-Hyperparametern auszuwählen.

Folgendes wurde bereits erstellt:

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

Diese Übung ist Teil des Kurses

Maschinelles Lernen mit PySpark

Kurs anzeigen

Anleitung zur Übung

Erstell einen Parameter-Raster-Generator.
Füge Gitter für „ regression.regParam “ (Werte 0,01, 0,1, 1,0 und 10,0) und „ regression.elasticNetParam “ (Werte 0,0, 0,5 und 1,0) hinzu.
Erstell das Raster.
Erstell einen Kreuzvalidator und leg fünf Folds fest.

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