Notice: This page requires JavaScript to function properly.
Please enable JavaScript in your browser settings or update your browser.Lære Udfordring: Forudsigelse af Huspriser | Simpel Lineær Regression
Lineær Regression med Python

bookUdfordring: Forudsigelse af Huspriser

Du skal nu opbygge en regressionsmodel baseret på et virkeligt eksempel. Du har en fil, houses_simple.csv, som 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())
copy

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()
copy

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

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

Opgave

Swipe to start coding

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

Løsning

Var alt klart?

Hvordan kan vi forbedre det?

Tak for dine kommentarer!

Sektion 1. Kapitel 5
single

single

Spørg AI

expand

Spørg AI

ChatGPT

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

close

Awesome!

Completion rate improved to 5.26

bookUdfordring: Forudsigelse af Huspriser

Stryg for at vise menuen

Du skal nu opbygge en regressionsmodel baseret på et virkeligt eksempel. Du har en fil, houses_simple.csv, som 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())
copy

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()
copy

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

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

Opgave

Swipe to start coding

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

Løsning

Switch to desktopSkift til skrivebord for at øve i den virkelige verdenFortsæt der, hvor du er, med en af nedenstående muligheder
Var alt klart?

Hvordan kan vi forbedre det?

Tak for dine kommentarer!

Sektion 1. Kapitel 5
single

single

some-alt