Оптимізація лінійної регресії для рейсів

Дотепер ви використовували типові гіперпараметри під час побудови моделей. У цій вправі ви застосуєте крос-валідацію, щоб обрати оптимальний (або близький до оптимального) набір гіперпараметрів моделі.

Уже створено такі об'єкти:

regression — об'єкт LinearRegression
pipeline — конвеєр зі string indexer, one-hot encoder, vector assembler і лінійною регресією та
evaluator — об'єкт RegressionEvaluator.

Ця вправа є частиною курсу

Machine Learning з PySpark

Переглянути курс

Інструкції до вправи

Створіть будівник сітки параметрів.
Додайте сітки для regression.regParam (значення 0.01, 0.1, 1.0 та 10.0) і regression.elasticNetParam (значення 0.0, 0.5 і 1.0).
Побудуйте сітку.
Створіть крос-валідацію, вказавши п'ять фолдів.

Інтерактивна практична вправа

Спробуйте виконати цю вправу, доповнивши цей зразок коду.

# 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=____, ____)

Редагувати та запускати код