Für diese Aufgabe wird dasselbe Wohnungsdatenset verwendet. Allerdings enthält es nun zwei Merkmale: das Alter und die 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())

Die Aufgabe besteht darin, ein multiples lineares Regressionsmodell mit der Klasse `OLS` zu erstellen. Außerdem wird die Zusammenfassungstabelle ausgegeben, um die p-Werte der einzelnen Merkmale zu betrachten.

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

Lineare Regression ist ein zentrales Konzept in der prädiktiven Analytik. Sie wird von Data Scientists, Datenanalysten und Statistikern häufig verwendet, da sie einfach zu erstellen und zu interpretieren ist, aber dennoch für viele Aufgaben ausreichend leistungsfähig bleibt.

Beginnen wir mit dem einfachsten Modell der linearen Regression. Sie lernen das Konzept der linearen Regression kennen und erfahren, wie Vorhersagen in Python getroffen werden.

Die meisten Vorhersageaufgaben in der Praxis beinhalten mehr als ein Merkmal. Sie lernen, wie man lineare Regression mit mehreren Merkmalen anwendet.

Eine Gerade beschreibt die Daten nicht immer ausreichend. Lernen Sie, wie ein komplexeres Modell für Vorhersagen erstellt werden kann. Dafür eignet sich die polynomiale Regression.

Nachdem Sie nun wissen, wie man verschiedene lineare Regressionsmodelle erstellt, benötigen Sie eine Methode, um das beste auszuwählen. Dies ist mithilfe von Metriken möglich. In diesem Abschnitt werden die am häufigsten verwendeten Metriken sowie die Herausforderungen bei deren Anwendung erläutert.

Herausforderung: Preisvorhersage mit Zwei Merkmalen

Lösung

Awesome!

Herausforderung: Preisvorhersage mit Zwei Merkmalen

Lösung