Interpréter les coefficients

Rappelez-vous que l'aéroport d'origine, org, a huit valeurs possibles (ORD, SFO, JFK, LGA, SMF, SJC, TUS et OGG) qui ont été converties en indicateurs binaires (one-hot encoding) en sept variables fictives dans org_dummy.

Les valeurs pour km et org_dummy ont été assemblées dans features, qui compte huit colonnes avec une représentation clairsemée. Les indices de colonnes dans features sont les suivants :

0 — km
1 — ORD
2 — SFO
3 — JFK
4 — LGA
5 — SMF
6 — SJC et
7 — TUS.

Remarquez que OGG n'apparaît pas dans cette liste, car il s'agit du niveau de référence pour la catégorie de l'aéroport d'origine.

Une instance de LinearRegression est disponible dans regression. Dans cet exercice, vous utiliserez les attributs intercept et coefficients pour interpréter le modèle.

L'attribut coefficients est une liste, où le premier élément indique comment la durée du vol varie en fonction de la distance du vol.

Cette activité fait partie du cours

Machine Learning avec PySpark

Voir le cours

Instructions de l’exercice

Trouvez la vitesse moyenne en km à l'heure. Elle sera différente de la valeur obtenue plus tôt, car votre modèle est maintenant plus sophistiqué.
Quel est le temps moyen au sol à OGG ?
Quel est le temps moyen au sol à JFK ?
Quel est le temps moyen au sol à LGA ?

Exercice interactif pratique

Essayez cet exercice en complétant ce code d’exemple.

# Average speed in km per hour
avg_speed_hour = ____
print(avg_speed_hour)

# Average minutes on ground at OGG
inter = regression.____
print(inter)

# Average minutes on ground at JFK
avg_ground_jfk = ____ + regression.____[____]
print(avg_ground_jfk)

# Average minutes on ground at LGA
avg_ground_lga = ____ + regression.____[____]
print(avg_ground_lga)

Modifier et exécuter le code