Evaluar y comparar algoritmos

Ahora que hemos creado un modelo nuevo con GBTRegressor, es hora de compararlo con nuestro punto de referencia, RandomForestRegressor. Para ello, compararemos las predicciones de ambos modelos con los datos reales y calcularemos el RMSE y R^2.

Este ejercicio forma parte del curso

Ingeniería de características con PySpark

Ver curso

Instrucciones del ejercicio

Importa RegressionEvaluator de pyspark.ml.evaluation para poder usarlo más adelante.
Inicializa RegressionEvaluator estableciendo labelCol a nuestros datos reales, SALESCLOSEPRICE, y predictionCol a nuestros datos predichos, Prediction_Price.
Para calcular nuestras métricas, llama a evaluate sobre evaluator con los valores de predicción preds y crea un diccionario con la clave evaluator.metricName y el valor rmse; haz lo mismo para la métrica r2.

ejercicio interactivo práctico

Prueba este ejercicio completando este código de ejemplo.

from ____ import ____

# Select columns to compute test error
evaluator = ____(____=____, 
                                ____=____)
# Dictionary of model predictions to loop over
models = {'Gradient Boosted Trees': gbt_predictions, 'Random Forest Regression': rfr_predictions}
for key, preds in models.items():
  # Create evaluation metrics
  rmse = evaluator.____(____, {____: ____})
  r2 = evaluator.____(____, {____: ____})
  
  # Print Model Metrics
  print(key + ' RMSE: ' + str(rmse))
  print(key + ' R^2: ' + str(r2))

Editar y ejecutar código