Sonuçları Yorumlama

Tahminini en çok hangi özelliklerin etkilediğini bilmek neredeyse her zaman önemlidir. Belki sezgine aykırıdır ve bu başlı başına bir içgörüdür? Belki de bir avuç özellik modelinin doğruluğunun büyük kısmını açıklıyordur ve diğer özellikleri toplamak veya temizlemek için zaman harcamana gerek yoktur.

Bu örnekte, herhangi bir LISTPRICE bilgisi olmadan eğitilmiş bir modele bakacağız. Bu bilgi yokken, fiyatı en çok ne etkiliyor?

NOT: Özellik önemlerini içeren dizi importances, model.featureImportances.toArray() ifadesinden senin için zaten oluşturuldu.

Bu egzersiz, kursun bir parçasıdır

PySpark ile Özellik Mühendisliği

Kursa Göz Atın

Egzersiz talimatları

importances değerlerini kullanarak bir pandas dataframe oluştur ve sütun adını columns parametresiyle importance olarak ayarla.
İçeri aktarılan özellik adları listesi feature_cols'u pd.Series() içine alarak yeni bir pandas.Series oluştur. Bunu fi_df['feature'] sütununa ata.
Dataframe'i sort_values() ile sırala; by parametresini importance sütununa ayarla ve ascending değerini False yaparak azalan şekilde sırala. Sonuçları incele.

Uygulamalı etkileşimli egzersiz

Bu egzersizi bu örnek kodu tamamlayarak deneyin.

# Convert feature importances to a pandas column
fi_df = pd.DataFrame(____, columns=[____])

# Convert list of feature names to pandas column
fi_df['feature'] = pd.____(____)

# Sort the data based on feature importance
fi_df.____(by=[____], ascending=____, inplace=True)

# Inspect Results
fi_df.head(10)

Kodu Düzenle ve Çalıştır