계수 해석하기
출발 공항 org에는 여덟 가지 값(ORD, SFO, JFK, LGA, SMF, SJC, TUS, OGG)이 있으며, 이는 org_dummy에서 일곱 개 더미 변수로 원-핫 인코딩되어 있어요.
km와 org_dummy 값은 희소 표현을 사용해 여덟 개 열을 가진 features로 결합되었어요. features의 열 인덱스는 다음과 같아요.
- 0 —
km - 1 —
ORD - 2 —
SFO - 3 —
JFK - 4 —
LGA - 5 —
SMF - 6 —
SJC - 7 —
TUS
OGG는 출발 공항 범주의 기준(reference) 수준이므로 이 목록에 나타나지 않음을 유의하세요.
LinearRegression 인스턴스는 regression에 준비되어 있어요. 이 연습에서는 모델을 해석하기 위해 intercept와 coefficients 속성을 사용할 거예요.
coefficients 속성은 리스트이며, 첫 번째 원소는 비행 거리 변화에 따른 비행 시간의 변화를 나타내요.
이 연습은 강의의 일부입니다
PySpark로 하는 Machine Learning
연습 안내
- 평균 속도를 km/시로 구하세요. 모델이 더 정교해졌으므로 앞에서 구한 값과는 달라질 수 있어요.
- OGG에서의 평균 지상 대기 시간은 얼마인가요?
- JFK에서의 평균 지상 대기 시간은 얼마인가요?
- LGA에서의 평균 지상 대기 시간은 얼마인가요?
실습형 인터랙티브 연습
이 예제를 이 샘플 코드를 완성하여 풀어보세요.
# Average speed in km per hour
avg_speed_hour = ____
print(avg_speed_hour)
# Average minutes on ground at OGG
inter = regression.____
print(inter)
# Average minutes on ground at JFK
avg_ground_jfk = ____ + regression.____[____]
print(avg_ground_jfk)
# Average minutes on ground at LGA
avg_ground_lga = ____ + regression.____[____]
print(avg_ground_lga)