การประเมินและเปรียบเทียบอัลกอริทึม

เมื่อสร้างโมเดลใหม่ด้วย GBTRegressor แล้ว ถึงเวลานำมาเปรียบเทียบกับโมเดลพื้นฐาน RandomForestRegressor โดยจะนำผลการพยากรณ์ของทั้งสองโมเดลมาเทียบกับข้อมูลจริง แล้วคำนวณค่า RMSE และ R^2

แบบฝึกหัดนี้เป็นส่วนหนึ่งของหลักสูตร

Feature Engineering with PySpark

ดูคอร์ส

คำแนะนำการฝึกหัด

นำเข้า RegressionEvaluator จาก pyspark.ml.evaluation เพื่อเตรียมใช้งานในขั้นตอนถัดไป
สร้าง RegressionEvaluator โดยกำหนด labelCol เป็นคอลัมน์ข้อมูลจริง SALESCLOSEPRICE และ predictionCol เป็นคอลัมน์ผลการพยากรณ์ Prediction_Price
คำนวณค่าเมตริกโดยเรียก evaluate บน evaluator ด้วยค่าพยากรณ์ preds จากนั้นสร้าง dictionary ที่มีคีย์เป็น evaluator.metricName และค่าเป็น rmse แล้วทำซ้ำในแบบเดียวกันสำหรับเมตริก r2

แบบฝึกหัดเชิงโต้ตอบแบบลงมือทำ

ลองทำแบบฝึกหัดนี้โดยเติมโค้ดตัวอย่างนี้ให้สมบูรณ์

from ____ import ____

# Select columns to compute test error
evaluator = ____(____=____, 
                                ____=____)
# Dictionary of model predictions to loop over
models = {'Gradient Boosted Trees': gbt_predictions, 'Random Forest Regression': rfr_predictions}
for key, preds in models.items():
  # Create evaluation metrics
  rmse = evaluator.____(____, {____: ____})
  r2 = evaluator.____(____, {____: ____})
  
  # Print Model Metrics
  print(key + ' RMSE: ' + str(rmse))
  print(key + ' R^2: ' + str(r2))

แก้ไขและรันโค้ด