Valutare e confrontare gli algoritmi

Ora che abbiamo creato un nuovo modello con GBTRegressor, è il momento di confrontarlo con il nostro baseline RandomForestRegressor. Per farlo confronteremo le previsioni di entrambi i modelli con i dati reali e calcoleremo RMSE e R^2.

Questo esercizio fa parte del corso

Feature Engineering con PySpark

Visualizza corso

Istruzioni dell'esercizio

Importa RegressionEvaluator da pyspark.ml.evaluation così da poterlo usare in seguito.
Inizializza RegressionEvaluator impostando labelCol ai nostri dati reali, SALESCLOSEPRICE, e predictionCol ai nostri dati previsti, Prediction_Price.
Per calcolare le metriche, chiama evaluate su evaluator con i valori previsti preds e crea un dizionario con chiave evaluator.metricName e valore rmse; fai lo stesso per la metrica r2.

esercizio interattivo pratico

Prova questo esercizio completando questo codice di esempio.

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))

Modifica ed esegui il codice