Đánh giá & So sánh thuật toán

Bây giờ khi chúng ta đã tạo một mô hình mới với GBTRegressor, đã đến lúc so sánh nó với mô hình chuẩn RandomForestRegressor. Để làm điều này, chúng ta sẽ so sánh dự đoán của cả hai mô hình với dữ liệu thực tế và tính RMSE và R^2.

Bài tập này là một phần của khóa học

Feature Engineering với PySpark

Xem khóa học

Hướng dẫn bài tập

Import RegressionEvaluator từ pyspark.ml.evaluation để dùng sau.
Khởi tạo RegressionEvaluator bằng cách đặt labelCol là dữ liệu thực tế SALESCLOSEPRICE và predictionCol là dữ liệu dự đoán Prediction_Price.
Để tính các chỉ số, gọi evaluate trên evaluator với giá trị dự đoán preds và tạo một dictionary với khóa evaluator.metricName và giá trị rmse; làm tương tự cho chỉ số r2.

Bài tập tương tác thực hành trực tiếp

Hãy thử làm bài tập này bằng cách hoàn thành đoạn mã mẫu này.

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))

Chỉnh sửa và Chạy Mã