评估与比较算法

我们已经用 GBTRegressor 训练了一个新模型，现在该把它与基线模型 RandomForestRegressor 做比较。为此，您将把两个模型的预测与真实数据进行对比，并计算 RMSE 和 R^2。

本练习是课程的一部分

使用 PySpark 进行特征工程

练习说明

从 pyspark.ml.evaluation 导入 RegressionEvaluator，以便稍后使用。
初始化 RegressionEvaluator，将 labelCol 设为真实数据列 SALESCLOSEPRICE，将 predictionCol 设为预测数据列 Prediction_Price。
要计算指标，在 evaluator 上调用 evaluate，传入预测值 preds，并创建一个字典，键为 evaluator.metricName，值为 rmse；对 r2 指标也以相同方式计算。

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 ____

# 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))

编辑并运行代码