Swipe um das Menü anzuzeigen

Herausforderung: Vorhersage von Immobilienpreisen

Sie erstellen nun ein Regressionsmodell anhand eines praxisnahen Beispiels. Ihnen steht eine Datei, houses_simple.csv, zur Verfügung, die Informationen über Immobilienpreise mit der Wohnfläche als Merkmal enthält.


              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())

Im nächsten Schritt werden Variablen zugewiesen und der Datensatz visualisiert:


              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()

Im Beispiel mit der Körpergröße einer Person war es wesentlich einfacher, sich eine Linie vorzustellen, die die Daten gut abbildet.

Doch nun weist unsere Datenbasis deutlich mehr Varianz auf, da das Ziel stark von vielen weiteren Faktoren wie Alter, Lage, Ausstattung usw. abhängt.
Die Aufgabe besteht dennoch darin, diejenige Linie zu bestimmen, die die vorhandenen Daten am besten beschreibt; sie zeigt den Trend an. Dafür sollte die Klasse OLS verwendet werden. Bald lernen wir, wie weitere Merkmale hinzugefügt werden können, um die Vorhersage zu verbessern!

Aufgabe

Swipe to start coding

Die Spalte 'price' aus df als y zuweisen.
Die Matrix X_tilde mit der Funktion add_constant() aus statsmodels (importiert als sm) erstellen.
Das OLS-Objekt initialisieren und trainieren.
Das Array X_new auf die gleiche Weise wie X vorverarbeiten.
Das Ziel für die Matrix X_new_tilde vorhersagen.

Lösung

Wechseln 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?

Danke für Ihr Feedback!

Abschnitt 1. Kapitel 5

single

Fragen Sie AI

Fragen Sie alles oder probieren Sie eine der vorgeschlagenen Fragen, um unser Gespräch zu beginnen

Herausforderung: Vorhersage von Immobilienpreisen


              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())

Im nächsten Schritt werden Variablen zugewiesen und der Datensatz visualisiert:


              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()

Im Beispiel mit der Körpergröße einer Person war es wesentlich einfacher, sich eine Linie vorzustellen, die die Daten gut abbildet.

Aufgabe

Swipe to start coding

Die Spalte 'price' aus df als y zuweisen.
Die Matrix X_tilde mit der Funktion add_constant() aus statsmodels (importiert als sm) erstellen.
Das OLS-Objekt initialisieren und trainieren.
Das Array X_new auf die gleiche Weise wie X vorverarbeiten.
Das Ziel für die Matrix X_new_tilde vorhersagen.

Lösung

Wechseln 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?

Danke für Ihr Feedback!

Swipe um das Menü anzuzeigen

Herausforderung: Vorhersage von Immobilienpreisen

Lösung

Awesome!

Herausforderung: Vorhersage von Immobilienpreisen

Lösung

Awesome!