Optimiser la régression linéaire sur les vols

Jusqu'ici, vous avez utilisé les hyperparamètres par défaut pour entraîner vos modèles. Dans cet exercice, vous allez utiliser la validation croisée pour choisir un ensemble d'hyperparamètres optimal (ou presque optimal) pour votre modèle.

Les éléments suivants ont déjà été créés :

regression — un objet LinearRegression
pipeline — un pipeline avec un indexeur de chaînes, un encodeur one-hot, un assembleur de vecteurs et une régression linéaire, et
evaluator — un objet RegressionEvaluator.

Cette activité fait partie du cours

Machine Learning avec PySpark

Voir le cours

Instructions de l’exercice

Créez un générateur de grille de paramètres.
Ajoutez des grilles pour regression.regParam (valeurs : 0.01, 0.1, 1.0 et 10.0) et regression.elasticNetParam (valeurs : 0.0, 0.5 et 1.0).
Générez la grille.
Créez un validateur croisé en spécifiant cinq plis.

Exercice interactif pratique

Essayez cet exercice en complétant ce code d’exemple.

# 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=____, ____)

Modifier et exécuter le code