Das Modell Bewerten

In dieser Herausforderung erhalten Sie den altbekannten Housing-Datensatz, diesmal jedoch nur mit dem Merkmal 'age'.

import pandas as pd

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

print(df.head())


              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_poly.csv')
print(df.head())

Lassen Sie uns ein Streudiagramm dieser Daten erstellen.

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_poly.csv')

X = df['age']

y = df['price']

plt.scatter(X, y, alpha=0.4)

plt.show()


              12345678
            
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_poly.csv')
X = df['age']
y = df['price']
plt.scatter(X, y, alpha=0.4)
plt.show()

Eine Gerade an diese Daten anzupassen, ist möglicherweise keine gute Wahl. Der Preis steigt sowohl für brandneue als auch für sehr alte Häuser. Eine Parabel anzupassen, scheint die bessere Wahl zu sein. Und genau das werden Sie in dieser Herausforderung tun.

Aber bevor Sie beginnen, erinnern Sie sich an die PolynomialFeatures-Klasse.

Die Methode fit_transform(X) erfordert, dass X ein 2-D-Array (oder ein DataFrame) ist.
Verwenden Sie X = df[['column_name']], um Ihr X für fit_transform() geeignet zu machen.
Und wenn Sie ein 1-D-Array haben, verwenden Sie .reshape(-1, 1), um ein 2-D-Array mit denselben Inhalten zu erstellen.

Die Aufgabe besteht darin, eine Polynomialregression zweiten Grades mit PolynomialFeatures und OLS zu erstellen.

Aufgabe

Swipe to start coding

Weisen Sie die Variable X einem DataFrame zu, das die Spalte 'age' enthält.
Erstellen Sie eine X_tilde-Matrix mit der Klasse PolynomialFeatures.
Erstellen und trainieren Sie ein Polynomialregressionsmodell.
Formen Sie X_new in ein 2-D-Array um.
Verarbeiten Sie X_new auf die gleiche Weise wie X.
Drucken Sie die Parameter des Modells aus.

Lösung

import pandas as pd

import numpy as np

import statsmodels.api as sm

import matplotlib.pyplot as plt

from sklearn.preprocessing import PolynomialFeatures

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

# Assign the variables

X = df[['age']]

y = df['price']

n = 2 # A degree of Polynomial Regression

# Preprocess X

X_tilde = PolynomialFeatures(n).fit_transform(X)

# Build and train the model

model = sm.OLS(y, X_tilde).fit()

# Create and preprocess X_new

X_new = np.linspace(0, 125, 200).reshape(-1, 1)

X_new_tilde = PolynomialFeatures(n).fit_transform(X_new)

# Predict the target for X_new

y_pred = model.predict(X_new_tilde)

# Visualize the result

plt.scatter(X, y, alpha=0.4)

plt.plot(X_new, y_pred, color='orange')

plt.show()

# Print the model's parameters

print(model.params)

War alles klar?

Danke für Ihr Feedback!

Abschnitt 3. Kapitel 5

import pandas as pd

import numpy as np

import statsmodels.api as sm

import matplotlib.pyplot as plt

from sklearn.preprocessing import PolynomialFeatures

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

# Assign the variables

X = df[['___']]

y = df['price']

n = 2 # A degree of Polynomial Regression

# Preprocess X

X_tilde = PolynomialFeatures(n).___(X)

# Build and train the model

model = sm.OLS(y, ___).fit()

# Create and preprocess X_new

X_new = np.linspace(0, 125, 200).___(-1, 1)

X_new_tilde = ___(n).fit_transform(___)

# Predict the target for X_new

y_pred = model.predict(X_new_tilde)

# Visualize the result

plt.scatter(X, y, alpha=0.4)

plt.plot(X_new, y_pred, color='orange')

plt.show()

# Print the model's parameters

print(model.___)