Évaluer la forêt aléatoire

Dans cet exercice final, vous allez évaluer les résultats de la validation croisée sur un modèle de forêt aléatoire (Random Forest).

Les éléments suivants ont déjà été créés :

cv — un validateur croisé déjà ajusté aux données d'entraînement
evaluator — un objet BinaryClassificationEvaluator et
flights_test — les données de test.

Cette activité fait partie du cours

Machine Learning avec PySpark

Voir le cours

Instructions de l’exercice

Affichez la liste des AUC moyens pour tous les modèles dans la grille de paramètres.
Affichez l'AUC moyen du meilleur modèle. Ce sera la valeur d'AUC la plus élevée de la liste.
Affichez une explication des paramètres maxDepth et featureSubsetStrategy pour le meilleur modèle.
Affichez l'AUC des prédictions du meilleur modèle sur les données de test.

Exercice interactif pratique

Essayez cet exercice en complétant ce code d’exemple.

# 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.____(____.____(____)))

Modifier et exécuter le code