Interpretacja współczynników

Pamiętaj, że kolumna lotniska wylotu, org, ma osiem możliwych wartości (ORD, SFO, JFK, LGA, SMF, SJC, TUS i OGG), które zostały zakodowane metodą one-hot do siedmiu zmiennych zero-jedynkowych w org_dummy.

Wartości km i org_dummy zostały złączone w features – wektorze rzadkim z ośmioma kolumnami. Indeksy kolumn w features są następujące:

0 — km
1 — ORD
2 — SFO
3 — JFK
4 — LGA
5 — SMF
6 — SJC i
7 — TUS.

Zwróć uwagę, że OGG nie pojawia się na tej liście, ponieważ jest poziomem referencyjnym dla kategorii lotniska wylotu.

Instancja LinearRegression jest dostępna w zmiennej regression. W tym ćwiczeniu wykorzystasz atrybuty intercept i coefficients do interpretacji modelu.

Atrybut coefficients to lista, w której pierwszy element wskazuje, jak długość lotu zmienia się wraz z odległością.

To ćwiczenie jest częścią kursu

Uczenie maszynowe z PySpark

Zobacz kurs

Instrukcje do ćwiczenia

Oblicz średnią prędkość w km na godzinę. Wynik będzie się różnić od wcześniej uzyskanego, ponieważ model jest teraz bardziej zaawansowany.
Jaki jest średni czas postoju na lotnisku OGG?
Jaki jest średni czas postoju na lotnisku JFK?
Jaki jest średni czas postoju na lotnisku LGA?

Interaktywne ćwiczenie praktyczne

Spróbuj tego ćwiczenia, uzupełniając ten przykładowy kod.

# 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)

Edytuj i uruchom kod