Algoritmaları Değerlendirme ve Karşılaştırma

GBTRegressor ile yeni bir model oluşturduğumuza göre, bunu RandomForestRegressor temel modelimizle karşılaştırma zamanı. Bunu yapmak için her iki modelin tahminlerini gerçek verilerle karşılaştırıp RMSE ve R^2 hesaplayacağız.

Bu egzersiz, kursun bir parçasıdır

PySpark ile Özellik Mühendisliği

Kursa Göz Atın

Egzersiz talimatları

Daha sonra kullanabilmek için pyspark.ml.evaluation içinden RegressionEvaluator sınıfını içe aktar.
RegressionEvaluator'ı başlatırken labelCol olarak gerçek verimiz SALESCLOSEPRICE ve predictionCol olarak tahmin verimiz Prediction_Price değerlerini ayarla.
Metrikleri hesaplamak için, evaluator üzerinde evaluate metodunu preds tahmin değerleriyle çağır ve anahtarı evaluator.metricName, değeri rmse olan bir sözlük oluştur; aynı işlemi r2 metriği için de yap.

Uygulamalı etkileşimli egzersiz

Bu egzersizi bu örnek kodu tamamlayarak deneyin.

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))

Kodu Düzenle ve Çalıştır