Compararea performanței modelelor

Reprezentările grafice îți oferă o imagine clară despre unde modelul funcționează bine și unde nu. Uneori este util să ai o statistică ce îți oferă un scor pentru model. Astfel poți cuantifica calitatea unui model și poți face comparații între mai multe modele. O statistică frecvent utilizată este rădăcina erorii pătratice medii (abreviată de obicei ca „RMSE"), care ridică reziduurile la pătrat, calculează media acestora, apoi extrage rădăcina pătrată. Un scor RMSE mic pentru un anumit set de date indică o predicție mai bună. (În mod implicit, nu poți compara între seturi de date diferite, ci doar între modele diferite aplicate pe același set de date. Uneori este posibil să normalizezi seturile de date pentru a permite o comparație între ele.)

Aici vei compara modelele de tip gradient boosted trees și random forest.

Acest exercițiu face parte din cursul

Introducere în Spark cu sparklyr în R

Vezi cursul

Instrucțiuni pentru exercițiu

both_responses, care conține anul prezis și anul real al piesei pentru ambele modele, a fost predefinit ca tibble local.

Creează un set de date cu suma pătratelor reziduurilor.
- Adaugă o coloană residual, egală cu răspunsul prezis minus răspunsul real.
- Grupează datele după model.
- Calculează statistica rezumativă rmse, egală cu rădăcina pătrată a mediei pătratelor valorilor din residual.

Exercițiu interactiv practic

Încearcă acest exercițiu completând acest cod de exemplu.

# both_responses has been pre-defined
both_responses

# Create a residual sum of squares dataset
___

Editează și rulează codul