Оцінювання й порівняння алгоритмів

Тепер, коли ми створили нову модель за допомогою GBTRegressor, час порівняти її з базовою моделлю RandomForestRegressor. Для цього ми порівняємо прогнози обох моделей з фактичними даними та обчислимо RMSE і R^2.

Ця вправа є частиною курсу

Опрацювання ознак у PySpark

Переглянути курс

Інструкції до вправи

Імпортуйте RegressionEvaluator з pyspark.ml.evaluation, щоб мати його доступним далі.
Ініціалізуйте RegressionEvaluator, встановивши labelCol на наші фактичні дані SALESCLOSEPRICE, а predictionCol — на наші прогнозні дані Prediction_Price.
Щоб обчислити метрики, викличте evaluate на обʼєкті evaluator із прогнозами preds та створіть словник з ключем evaluator.metricName і значенням rmse; виконайте те саме для метрики r2.

Інтерактивна практична вправа

Спробуйте виконати цю вправу, доповнивши цей зразок коду.

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))

Редагувати та запускати код