Ocena i porównywanie algorytmów

Mamy już nowy model zbudowany przy użyciu GBTRegressor – czas porównać go z modelem bazowym RandomForestRegressor. W tym celu zestawimy prognozy obu modeli z rzeczywistymi danymi i obliczymy RMSE oraz R^2.

To ćwiczenie jest częścią kursu

Inżynieria cech z PySpark

Zobacz kurs

Instrukcje do ćwiczenia

Zaimportuj RegressionEvaluator z pyspark.ml.evaluation, aby móc go używać w dalszej części.
Zainicjuj RegressionEvaluator, ustawiając labelCol na kolumnę z rzeczywistymi danymi SALESCLOSEPRICE, a predictionCol na kolumnę z prognozami Prediction_Price.
Aby obliczyć metryki, wywołaj evaluate na obiekcie evaluator, przekazując wartości prognoz preds, i utwórz słownik z kluczem evaluator.metricName oraz wartością rmse. Zrób to samo dla metryki r2.

Interaktywne ćwiczenie praktyczne

Spróbuj tego ćwiczenia, uzupełniając ten przykładowy kod.

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))

Edytuj i uruchom kod