Interpretare i risultati

È quasi sempre importante sapere quali feature influenzano di più la tua previsione. Magari è controintuitivo, ed è proprio lì l’insight! Forse un pugno di feature spiega gran parte dell’accuratezza del tuo modello e non serve investire tempo per acquisire o ripulire altre feature.

In questo esempio analizzeremo un modello addestrato senza alcuna informazione su LISTPRICE. Senza quella variabile, che cosa influenza di più il prezzo?

NOTA: L’array delle importanze delle feature, importances, è già stato creato per te da model.featureImportances.toArray()

Questo esercizio fa parte del corso

Feature Engineering con PySpark

Visualizza corso

Istruzioni dell'esercizio

Crea un dataframe pandas usando i valori di importances e assegna alla colonna il nome importance impostando il parametro columns.
Usando la lista importata dei nomi delle feature, feature_cols, crea una nuova pandas.Series incapsulandola con la funzione pd.Series(). Assegnala alla colonna fi_df['feature'].
Ordina il dataframe usando sort_values(), impostando il parametro by sulla nostra colonna importance e ordina in modo discendente impostando ascending su False. Osserva i risultati.

esercizio interattivo pratico

Prova questo esercizio completando questo codice di esempio.

# Convert feature importances to a pandas column
fi_df = pd.DataFrame(____, columns=[____])

# Convert list of feature names to pandas column
fi_df['feature'] = pd.____(____)

# Sort the data based on feature importance
fi_df.____(by=[____], ascending=____, inplace=True)

# Inspect Results
fi_df.head(10)

Modifica ed esegui il codice