ПочатиПочніть безкоштовно

Інтерпретація коефіцієнтів

Пам'ятайте, що аеропорт вильоту org має вісім можливих значень (ORD, SFO, JFK, LGA, SMF, SJC, TUS і OGG), які були перетворені методом one-hot на сім фіктивних змінних у org_dummy.

Значення для km і org_dummy зібрано у features, що має вісім стовпців у розрідженому поданні. Індекси стовпців у features такі:

  • 0 — km
  • 1 — ORD
  • 2 — SFO
  • 3 — JFK
  • 4 — LGA
  • 5 — SMF
  • 6 — SJC і
  • 7 — TUS.

Зверніть увагу, що OGG не з'являється у цьому списку, адже це базовий рівень для категорії аеропорту вильоту.

Екземпляр LinearRegression доступний як regression. У цій вправі ви використовуватимете атрибути intercept і coefficients, щоб інтерпретувати модель.

Атрибут coefficients — це список, де перший елемент показує, як тривалість перельоту змінюється зі збільшенням відстані польоту.

Ця вправа є частиною курсу

Machine Learning з PySpark

Переглянути курс

Інструкції до вправи

  • Знайдіть середню швидкість у км за годину. Вона відрізнятиметься від значення, яке ви отримали раніше, адже ваша модель тепер складніша.
  • Який середній час на землі в OGG?
  • Який середній час на землі в JFK?
  • Який середній час на землі в LGA?

Інтерактивна практична вправа

Спробуйте виконати цю вправу, доповнивши цей зразок коду.

# Average speed in km per hour
avg_speed_hour = ____
print(avg_speed_hour)

# Average minutes on ground at OGG
inter = regression.____
print(inter)

# Average minutes on ground at JFK
avg_ground_jfk = ____ + regression.____[____]
print(avg_ground_jfk)

# Average minutes on ground at LGA
avg_ground_lga = ____ + regression.____[____]
print(avg_ground_lga)
Редагувати та запускати код