Optymalizacja regresji liniowej dla lotów

Do tej pory podczas budowania modeli korzystałeś z domyślnych hiperparametrów. W tym ćwiczeniu użyjesz walidacji krzyżowej, aby wybrać optymalny (lub bliski optymalnemu) zestaw hiperparametrów modelu.

Następujące obiekty zostały już utworzone:

regression — obiekt LinearRegression
pipeline — potok zawierający indekser łańcuchów, koder one-hot, asembler wektorów i regresję liniową
evaluator — obiekt RegressionEvaluator.

To ćwiczenie jest częścią kursu

Uczenie maszynowe z PySpark

Zobacz kurs

Instrukcje do ćwiczenia

Utwórz konstruktor siatki parametrów.
Dodaj siatki dla regression.regParam (wartości 0.01, 0.1, 1.0 i 10.0) oraz regression.elasticNetParam (wartości 0.0, 0.5 i 1.0).
Zbuduj siatkę.
Utwórz walidator krzyżowy z pięcioma podziałami.

Interaktywne ćwiczenie praktyczne

Spróbuj tego ćwiczenia, uzupełniając ten przykładowy kod.

# Create parameter grid
params = ____()

# Add grids for two parameters
params = params.____(____, ____) \
               .____(____, ____)

# Build the parameter grid
params = params.____()
print('Number of models to be tested: ', len(params))

# Create cross-validator
cv = ____(estimator=____, estimatorParamMaps=____, evaluator=____, ____)

Edytuj i uruchom kod