Für diese Aufgabe wird derselbe Wohnungsdatensatz verwendet. Allerdings enthält er nun zwei Merkmale: Alter und Fläche des Hauses (Spalten `'age'` und `'square_feet'`).

import pandas as pd

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

import unittest
import numpy as np
import pandas as pd
from sklearn.linear_model import LinearRegression


# Codefinity helper
def _dynamic_test(test_case, condition, success, fail):
    if condition:
        test_case._testMethodName = success
        test_case.assertTrue(True)
    else:
        test_case._testMethodName = fail
        test_case.fail(fail)


class TestUserCode(unittest.TestCase):

    # 1. Test that X contains the correct columns
    def test_X_contains_correct_columns(self):
        import user_code

        cond = False
        try:
            X = user_code.X
            cond = list(X.columns) == ["age", "square_feet"]
        except Exception:
            cond = False

        _dynamic_test(
            self,
            cond,
            "X correctly contains ['age', 'square_feet'].",
            "Expected X to contain columns: ['age', 'square_feet']."
        )

    # 2. Model is initialized correctly
    def test_model_is_linear_regression(self):
        import user_code
        
        cond = hasattr(user_code, "model") and isinstance(user_code.model, LinearRegression)

        _dynamic_test(
            self,
            cond,
            "model is an instance of LinearRegression.",
            "Expected model = LinearRegression()"
        )

    # 3. Model is fitted
    def test_model_is_fitted(self):
        import user_code
        
        cond = False
        try:
            # Check for learned attributes
            cond = hasattr(user_code.model, "coef_") and hasattr(user_code.model, "intercept_")
        except Exception:
            cond = False

        _dynamic_test(
            self,
            cond,
            "The model is fitted.",
            "Expected model.fit(X, y) to be called."
        )

    # 4. Test predictions
    def test_predictions(self):
        import user_code
        import numpy as np

        cond = False
        try:
            y_pred = user_code.y_pred
            cond = (
                isinstance(y_pred, np.ndarray)
                and y_pred.shape == (3,)
            )
        except Exception:
            cond = False

        _dynamic_test(
            self,
            cond,
            "y_pred is a NumPy array with correct shape (3,).",
            "Expected y_pred = model.predict(X_new) to have shape (3,)."
        )

    # 5. Check printed output logic (optional, but ensures they printed params)
    def test_params_printed(self):
        import user_code
        
        with open("user_code.py", "r") as f:
            src = f.read()
            
        cond = "model.intercept_" in src and "model.coef_" in src
        
        _dynamic_test(
            self,
            cond,
            "Model parameters are printed.",
            "Expected printing of `model.intercept_` and `model.coef_`."
        )


if __name__ == "__main__":
    unittest.main()

test_code.py

Wenn Sie alles richtig gemacht haben, erhalten Sie p-Werte nahe null. Das bedeutet, dass alle unsere Merkmale für das Modell signifikant sind.

Beherrschung der grundlegenden Algorithmen des überwachten Lernens und deren Implementierung mit Scikit-learn. Untersuchung von linearer und polynomialer Regression zur Preisvorhersage sowie Übergang zur Klassifikation mit k-NN, logistischer Regression und Entscheidungsbäumen. Bewertung von Modellen durch Kreuzvalidierung, Steuerung von Overfitting mittels Regularisierung und Optimierung von Hyperparametern. Aufbau robuster prädiktiver Systeme und Definition komplexer Entscheidungsgrenzen für Aufgaben der Mehrklassenklassifikation.

Herausforderung: Preisvorhersage mit Zwei Merkmalen

Lösung

Herausforderung: Preisvorhersage mit Zwei Merkmalen

Lösung