构建回归模型

PySpark 的 ML 模块有个很大的优点：大多数算法都可以在几乎不改代码的情况下进行尝试和验证。随机森林回归是比较简单的集成模型，采用 bagging 来拟合。另一种基于树的集成模型是梯度提升树（Gradient Boosted Trees），它使用称为 boosting 的方法来拟合。本练习中我们来训练一个 GBTRegressor。

本练习是课程的一部分

使用 PySpark 进行特征工程

查看课程

练习说明

从 pyspark.ml.regression 导入 GBTRegressor，您会注意到它与 RandomForestRegressor 位于同一模块。
实例化 GBTRegressor，将 featuresCol 设为我们的特征向量列 features，labelCol 设为我们的因变量 SALESCLOSEPRICE，并将随机 seed 设为 42。
通过在 gbt 上调用 fit()，并传入已导入的训练数据 train_df 来训练模型。

交互式实操练习

通过完成这段示例代码来试试这个练习。

from ____ import ____

# Train a Gradient Boosted Trees (GBT) model.
gbt = ____(featuresCol=____,
                           labelCol=____,
                           predictionCol="Prediction_Price",
                           seed=____
                           )

# Train model.
model = gbt.fit(train_df)

编辑并运行代码