Notice: This page requires JavaScript to function properly.
Please enable JavaScript in your browser settings or update your browser.Lernen Das Modell Bewerten | Polynomiale Regression
Lineare Regression mit Python
course content

Kursinhalt

Lineare Regression mit Python

Lineare Regression mit Python

1. Einfache Lineare Regression
Was Ist Lineare RegressionParameter FindenErstellen Einer Linearen Regression Mit NumPyErstellen Einer Linearen Regression mit StatsmodelsHauspreise Vorhersagen
2. Multiple Lineare Regression
Lineare Regression Mit Zwei MerkmalenLineare Regression Mit n MerkmalenErstellen Einer Multiplen Linearen RegressionAuswahl der MerkmalePreise Mit Zwei Merkmalen Vorhersagen
3. Polynomiale Regression
Quadratische RegressionPolynomiale RegressionErstellen Einer Polynomialen RegressionInterpolation vs ExtrapolationDas Modell Bewerten
4. Das Beste Modell Auswählen
MetrikenÜberanpassungR-QuadratPreise mit Polynomialer Regression Vorhersagen

book
Das Modell Bewerten

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


              
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())
copy

Lassen Sie uns ein Streudiagramm dieser Daten erstellen.


              
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()
copy

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

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

Lösung

Switch to desktopWechseln Sie zum Desktop, um in der realen Welt zu übenFahren Sie dort fort, wo Sie sind, indem Sie eine der folgenden Optionen verwenden
War alles klar?

Wie können wir es verbessern?

Danke für Ihr Feedback!

Abschnitt 3. Kapitel 5
toggle bottom row

book
Das Modell Bewerten

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


              
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())
copy

Lassen Sie uns ein Streudiagramm dieser Daten erstellen.


              
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()
copy

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

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

Lösung

Switch to desktopWechseln Sie zum Desktop, um in der realen Welt zu übenFahren Sie dort fort, wo Sie sind, indem Sie eine der folgenden Optionen verwenden
War alles klar?

Wie können wir es verbessern?

Danke für Ihr Feedback!

Abschnitt 3. Kapitel 5
Switch to desktopWechseln Sie zum Desktop, um in der realen Welt zu übenFahren Sie dort fort, wo Sie sind, indem Sie eine der folgenden Optionen verwenden
We're sorry to hear that something went wrong. What happened?
some-alt