Stryg for at vise menuen

Udfordring: Forudsigelse af Huspriser

Du skal nu opbygge en regressionsmodel med et virkelighedsnært eksempel. Du har en fil, houses_simple.csv, der indeholder information om boligpriser med areal som en egenskab.


              1234
            
import pandas as pd

df = pd.read_csv('https://codefinity-content-media.s3.eu-west-1.amazonaws.com/b22d1166-efda-45e8-979e-6c3ecfc566fc/houses_simple.csv')
print(df.head())

Næste trin er at tildele variabler og visualisere datasættet:


              123456789
            
import pandas as pd
import matplotlib.pyplot as plt

df = pd.read_csv('https://codefinity-content-media.s3.eu-west-1.amazonaws.com/b22d1166-efda-45e8-979e-6c3ecfc566fc/houses_simple.csv')
X = df['square_feet']
y = df['price']

plt.scatter(X, y, alpha=0.5)
plt.show()

I eksemplet med en persons højde var det meget lettere at forestille sig en linje, der passede godt til dataene.

Men nu har vores data meget mere variation, da målet i høj grad afhænger af mange andre faktorer som alder, beliggenhed, indretning osv.
Opgaven er dog stadig at konstruere den linje, der bedst passer til de data, vi har; den vil vise trenden. Klassen OLS skal anvendes til dette. Snart lærer vi, hvordan vi kan tilføje flere funktioner, hvilket vil forbedre forudsigelsen!

Opgave

Swipe to start coding

Tildel kolonnen 'price' fra df til y.
Opret matricen X_tilde ved hjælp af funktionen add_constant() fra statsmodels (importeret som sm).
Initialiser OLS-objektet og træn det.
Forbehandl arrayet X_new på samme måde som X.
Forudsig målet for matricen X_new_tilde.

Løsning

Skift til skrivebord for at øve i den virkelige verdenFortsæt der, hvor du er, med en af nedenstående muligheder

Var alt klart?

Tak for dine kommentarer!

Sektion 1. Kapitel 5

single

Spørg AI

Spørg om hvad som helst eller prøv et af de foreslåede spørgsmål for at starte vores chat

Udfordring: Forudsigelse af Huspriser

Du skal nu opbygge en regressionsmodel med et virkelighedsnært eksempel. Du har en fil, houses_simple.csv, der indeholder information om boligpriser med areal som en egenskab.


              1234
            
import pandas as pd

df = pd.read_csv('https://codefinity-content-media.s3.eu-west-1.amazonaws.com/b22d1166-efda-45e8-979e-6c3ecfc566fc/houses_simple.csv')
print(df.head())

Næste trin er at tildele variabler og visualisere datasættet:


              123456789
            
import pandas as pd
import matplotlib.pyplot as plt

df = pd.read_csv('https://codefinity-content-media.s3.eu-west-1.amazonaws.com/b22d1166-efda-45e8-979e-6c3ecfc566fc/houses_simple.csv')
X = df['square_feet']
y = df['price']

plt.scatter(X, y, alpha=0.5)
plt.show()

I eksemplet med en persons højde var det meget lettere at forestille sig en linje, der passede godt til dataene.

Opgave

Swipe to start coding

Tildel kolonnen 'price' fra df til y.
Opret matricen X_tilde ved hjælp af funktionen add_constant() fra statsmodels (importeret som sm).
Initialiser OLS-objektet og træn det.
Forbehandl arrayet X_new på samme måde som X.
Forudsig målet for matricen X_new_tilde.

Løsning

Skift til skrivebord for at øve i den virkelige verdenFortsæt der, hvor du er, med en af nedenstående muligheder

Var alt klart?

Tak for dine kommentarer!

Stryg for at vise menuen

Udfordring: Forudsigelse af Huspriser

Løsning

Awesome!

Udfordring: Forudsigelse af Huspriser

Løsning

Awesome!