Teradata Package for Python Function Reference | 20.00 - evaluate - Teradata Package for Python - Look here for syntax, methods and examples for the functions included in the Teradata Package for Python.

Teradata® Package for Python Function Reference - 20.00

Deployment
VantageCloud
VantageCore
Edition
Enterprise
IntelliFlex
VMware
Product
Teradata Package for Python
Release Number
20.00
Published
March 2024
Language
English (United States)
Last Update
2024-04-10
dita:id
TeradataPython_FxRef_Enterprise_2000
Product Category
Teradata Vantage
teradataml.hyperparameter_tuner.optimizer.RandomSearch.evaluate = evaluate(self, **kwargs)
DESCRIPTION:
    Function uses trained models from SQLE, VAL and UAF features for 
    evaluations. evaluations are made using the default trained model.
    Notes: 
        * Evaluation supported for evaluatable model-trainer functions.
        * Best model is set as default model by default.
        * Default model can be changed using "set_model()" method.
 
PARAMETERS:
    kwargs:
        Optional Argument.
        Specifies the keyword arguments. Accepts additional arguments 
        required for the teradataml analytic function evaluations. 
        While "kwargs" is empty then internal sampled test dataset
        and arguments used for evaluation. Otherwise, 
        All arguments required with validation data need to be passed
        for evaluation.
 
RETURNS:
    Output teradataml DataFrames can be accessed using attribute
    references, such as HPTEvaluateObj.<attribute_name>.
    Output teradataml DataFrame attribute name is:
        result
 
RAISES:
    TeradataMlException
 
EXAMPLES:
    >>> # Create an instance of the search algorithm called "optimizer_obj" 
    >>> # by referring "__init__()" method.
    >>> # Perform "fit()" method on the optimizer_obj to populate model records.
    >>> # Perform evaluation using best model.
    >>> optimizer_obj.evaluate(newdata=test_data, **eval_params)
        ############ result Output ############
                MAE       MSE  MSLE        MAPE         MPE      RMSE  RMSLE        ME       R2       EV  MPD  MGD
        0  2.616772  8.814968   0.0  101.876866  101.876866  2.969001    0.0  5.342344 -4.14622 -0.14862  NaN  NaN