Évaluer et comparer des algorithmes

Maintenant que nous avons créé un nouveau modèle avec GBTRegressor, il est temps de le comparer à notre référence, RandomForestRegressor. Pour cela, nous allons comparer les prédictions des deux modèles aux données réelles et calculer RMSE et R^2.

Cet exercice fait partie du cours

<cours>Feature Engineering avec PySpark</cours>

Voir le cours

Instructions de l’exercice

Importez RegressionEvaluator depuis pyspark.ml.evaluation pour pouvoir l’utiliser ensuite.
Initialisez RegressionEvaluator en fixant labelCol à nos données réelles, SALESCLOSEPRICE, et predictionCol à nos données prédites, Prediction_Price.
Pour calculer nos métriques, appelez evaluate sur evaluator avec les valeurs de prédiction preds et créez un dictionnaire avec pour clé evaluator.metricName et pour valeur rmse. Faites de même pour la métrique r2.

Exercice interactif pratique

Essayez cet exercice en complétant ce code d’exemple.

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))

Modifier et exécuter le code