एल्गोरिदम का मूल्यांकन और तुलना

अब जब हमने GBTRegressor के साथ एक नया मॉडल बना लिया है, तो इसे अपने बेसलाइन RandomForestRegressor के मुकाबले तुलना करने का समय है। इसके लिए हम दोनों मॉडलों की predictions को वास्तविक डेटा से मिलाएँगे और RMSE तथा R^2 निकालेंगे।

यह अभ्यास पाठ्यक्रम का हिस्सा है

PySpark के साथ Feature Engineering

पाठ्यक्रम देखें

अभ्यास निर्देश

pyspark.ml.evaluation से RegressionEvaluator इम्पोर्ट करें ताकि इसे आगे उपयोग किया जा सके।
RegressionEvaluator को initialize करें: labelCol को हमारे वास्तविक डेटा SALESCLOSEPRICE पर सेट करें और predictionCol को हमारे predicted डेटा Prediction_Price पर।
अपने metrics निकालने के लिए, evaluator पर evaluate कॉल करें और prediction वैल्यू preds पास करें। एक dictionary बनाएँ जिसमें key evaluator.metricName और value rmse हो; यही प्रक्रिया r2 metric के लिए भी दोहराएँ।

इंटरैक्टिव व्यावहारिक अभ्यास

इस अभ्यास को इस नमूना कोड को पूरा करके आज़माएँ।

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))

कोड संपादित करें और चलाएँ