Optimera linjär regression för flygdata

Hittills har du använt standardvärden för hyperparametrarna när du byggt dina modeller. I den här övningen använder du korsvalidering för att välja en optimal – eller nära optimal – uppsättning hyperparametrar.

Följande objekt har redan skapats:

regression – ett LinearRegression-objekt
pipeline – en pipeline med strängindexerare, one-hot-kodare, vektorassemblerare och linjär regression
evaluator – ett RegressionEvaluator-objekt.

Den här övningen är en del av kursen

Maskininlärning med PySpark

Visa kurs

Övningsinstruktioner

Skapa en parameterrutnätsbyggare.
Lägg till rutnät för regression.regParam (värdena 0.01, 0.1, 1.0 och 10.0) och regression.elasticNetParam (värdena 0.0, 0.5 och 1.0).
Bygg rutnätet.
Skapa en korsvaliderare och ange fem folds.

Interaktiv övning med praktiskt arbete

Testa den här övningen genom att slutföra den här exempelkoden.

# 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=____, ____)

Redigera och kör kod