Herausforderung: Vorhersage von Hauspreisen

Erstellung eines praxisnahen Regressionsmodells. Die Datei houses_simple.csv enthält Informationen über Immobilienpreise mit der Fläche als Merkmal.


              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 erfolgt die Zuweisung von Variablen und die Visualisierung des Datensatzes:


              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 viel einfacher, sich eine Linie vorzustellen, die gut zu den Daten passt.

Aber jetzt weisen unsere Daten viel mehr Varianz auf, da das Ziel stark von vielen anderen Faktoren wie Alter, Lage, Innenausstattung usw. abhängt.
Trotzdem besteht die Aufgabe darin, die Linie zu erstellen, die am besten zu den vorhandenen Daten passt; sie zeigt den Trend an. Dafür sollte die OLS-Klasse verwendet werden. Bald lernen wir, wie man weitere Merkmale hinzufügt, um die Vorhersage zu verbessern!

War alles klar?

Danke für Ihr Feedback!

Abschnitt 1. Kapitel 5

single

Swipe um das Menü anzuzeigen

Erstellung eines praxisnahen Regressionsmodells. Die Datei houses_simple.csv enthält Informationen über Immobilienpreise mit der Fläche als Merkmal.


              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 erfolgt die Zuweisung von Variablen und die Visualisierung des Datensatzes:


              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 viel einfacher, sich eine Linie vorzustellen, die gut zu den Daten passt.

Aber jetzt weisen unsere Daten viel mehr Varianz auf, da das Ziel stark von vielen anderen Faktoren wie Alter, Lage, Innenausstattung usw. abhängt.
Trotzdem besteht die Aufgabe darin, die Linie zu erstellen, die am besten zu den vorhandenen Daten passt; sie zeigt den Trend an. Dafür sollte die OLS-Klasse verwendet werden. Bald lernen wir, wie man weitere Merkmale hinzufügt, um die Vorhersage zu verbessern!

Aufgabe

Wischen, um mit dem Codieren zu beginnen

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