Évaluation de la forêt aléatoire

Dans cet exercice final, vous évaluerez les résultats de la validation croisée sur un modèle Random Forest.

Les éléments suivants ont déjà été créés :

cv - un validateur croisé qui a déjà été ajusté aux données d'entraînement
evaluator — un objet d'BinaryClassificationEvaluator
flights_test — les données des essais.

Cet exercice fait partie du cours

Apprentissage automatique avec PySpark

Afficher le cours

Instructions

Imprimez une liste des mesures AUC moyennes pour tous les modèles de la grille de paramètres.
Affichez l'AUC moyenne pour le meilleur modèle. Ce sera la plus grande AUC de la liste.
Veuillez imprimer une explication des paramètres « maxDepth » et « featureSubsetStrategy » pour le modèle le plus performant.
Affichez l'AUC pour les meilleures prédictions du modèle sur les données de test.

Exercice interactif pratique

Essayez cet exercice en complétant cet exemple de code.

# 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