1. Learn
    2. /
  2. Курси
    3. /
  3. Опрацювання ознак у PySpark
Connected

Вправа

Інтерпретація результатів

Майже завжди важливо знати, які ознаки найбільше впливають на ваше передбачення. Можливо, це неочікувано — і вже дає інсайт? Або ж кілька ознак забезпечують більшу частину точності моделі, тож немає потреби витрачати час на збирання чи обробку інших ознак.

У цьому прикладі ми розглянемо модель, навчено без будь-якої інформації LISTPRICE. Коли цього немає, що найбільше впливає на ціну?

  • ПРИМІТКА: Масив важливостей ознак importances уже створено для вас за допомогою model.featureImportances.toArray()

Інструкції

100 XP
  • Створіть датафрейм pandas, використавши значення importances, і назвіть стовпець importance, установивши параметр columns.
  • Використовуючи імпортований список назв ознак feature_cols, створіть новий pandas.Series, обгорнувши його у функцію pd.Series(). Присвойте його стовпцю fi_df['feature'].
  • Відсортуйте датафрейм за допомогою sort_values(), встановивши параметр by на наш стовпець importance і відсортувавши за спаданням, установивши ascending у False. Перегляньте результати.