Mengevaluasi & Membandingkan Algoritme

Sekarang setelah kita membuat model baru dengan GBTRegressor, saatnya membandingkannya dengan baseline kita, yaitu RandomForestRegressor. Untuk itu, kita akan membandingkan prediksi kedua model dengan data aktual dan menghitung RMSE serta R^2.

Latihan ini merupakan bagian dari kursus

Rekayasa Fitur dengan PySpark

Lihat Kursus

Instruksi latihan

Impor RegressionEvaluator dari pyspark.ml.evaluation agar dapat digunakan nanti.
Inisialisasi RegressionEvaluator dengan menetapkan labelCol ke data aktual kita, SALESCLOSEPRICE, dan predictionCol ke data prediksi kita, Prediction_Price.
Untuk menghitung metrik, panggil evaluate pada evaluator dengan nilai prediksi preds dan buat dictionary dengan kunci evaluator.metricName dan nilai rmse; lakukan hal yang sama untuk metrik r2.

Latihan interaktif langsung praktik

Cobalah latihan ini dengan melengkapi kode contoh ini.

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))

Edit dan Jalankan Kode