Оценка случайного леса

В этом заключительном упражнении вы оцените результаты кросс-валидации на модели случайного леса.

Следующие объекты уже созданы:

cv — кросс-валидатор, уже обученный на обучающих данных;
evaluator — объект BinaryClassificationEvaluator;
flights_test — тестовые данные.

Это упражнение является частью курса

Машинное обучение с PySpark

Посмотреть курс

Инструкции к упражнению

Выведите список средних значений AUC для всех моделей в сетке параметров.
Отобразите среднее значение AUC для лучшей модели. Это будет наибольшее значение AUC в списке.
Выведите описание параметров maxDepth и featureSubsetStrategy для лучшей модели.
Отобразите значение AUC для предсказаний лучшей модели на тестовых данных.

Интерактивное практическое упражнение

Попробуйте выполнить это упражнение, дополнив этот пример кода.

# Average AUC for each parameter combination in grid
print(cv.____)

# Average AUC for the best model
print(____(____))

# What's the optimal parameter value for maxDepth?
print(cv.____.explainParam('____'))
# What's the optimal parameter value for featureSubsetStrategy?
print(cv.____.____(____))

# AUC for best model on testing data
print(evaluator.____(____.____(____)))

Редактировать и запускать код