Construirea unui model de regresie

Un lucru excelent la modulul PySpark ML este că majoritatea algoritmilor pot fi testați fără a modifica prea mult codul. Regresia cu păduri aleatoare (Random Forest Regression) este un model de ansamblu relativ simplu, care folosește tehnica bagging pentru antrenare. Un alt model de ansamblu bazat pe arbori este Gradient Boosted Trees, care utilizează o abordare diferită numită boosting. În acest exercițiu, vom antrena un GBTRegressor.

Acest exercițiu face parte din cursul

Feature Engineering cu PySpark

Vezi cursul

Instrucțiuni pentru exercițiu

Importă GBTRegressor din pyspark.ml.regression — același modul ca și RandomForestRegressor.
Instanțiază GBTRegressor cu featuresCol setat la coloana vectorială a caracteristicilor noastre, numită features, labelCol setat la variabila dependentă SALESCLOSEPRICE și seed-ul aleatoriu la 42.
Antrenează modelul apelând fit() pe gbt cu datele de antrenament importate, train_df.

Exercițiu interactiv practic

Încearcă acest exercițiu completând acest cod de exemplu.

from ____ import ____

# Train a Gradient Boosted Trees (GBT) model.
gbt = ____(featuresCol=____,
                           labelCol=____,
                           predictionCol="Prediction_Price",
                           seed=____
                           )

# Train model.
model = gbt.fit(train_df)

Editează și rulează codul