Notice: This page requires JavaScript to function properly.
Please enable JavaScript in your browser settings or update your browser.
Lernen Herausforderung: Preisvorhersage Mit Zwei Merkmalen | Multiple Lineare Regression
Lineare Regression mit Python

bookHerausforderung: Preisvorhersage Mit Zwei Merkmalen

Für diese Aufgabe wird derselbe Wohnungsdatensatz verwendet. Allerdings enthält er nun zwei Merkmale: das Alter und die Fläche des Hauses (Spalten 'age' und 'square_feet').

1234
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())
copy

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

Aufgabe

Swipe to start coding

  1. Die Spalten 'age' und 'square_feet' von df in X zuweisen.
  2. Das X für den Konstruktor der OLS-Klasse vorverarbeiten.
  3. Das Modell mithilfe der OLS-Klasse erstellen und trainieren.
  4. Das Array X_new genauso vorverarbeiten wie X.
  5. Das Ziel für X_new vorhersagen.
  6. Die Zusammenfassungstabelle des Modells ausgeben.

Lösung

Wenn alles korrekt durchgeführt wurde, sollten die p-Werte nahe bei null liegen. Das bedeutet, dass alle unsere Merkmale für das Modell signifikant sind.

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 2. Kapitel 5
single

single

Fragen Sie AI

expand

Fragen Sie AI

ChatGPT

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

close

Awesome!

Completion rate improved to 5.26

bookHerausforderung: Preisvorhersage Mit Zwei Merkmalen

Für diese Aufgabe wird derselbe Wohnungsdatensatz verwendet. Allerdings enthält er nun zwei Merkmale: das Alter und die Fläche des Hauses (Spalten 'age' und 'square_feet').

1234
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())
copy

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

Aufgabe

Swipe to start coding

  1. Die Spalten 'age' und 'square_feet' von df in X zuweisen.
  2. Das X für den Konstruktor der OLS-Klasse vorverarbeiten.
  3. Das Modell mithilfe der OLS-Klasse erstellen und trainieren.
  4. Das Array X_new genauso vorverarbeiten wie X.
  5. Das Ziel für X_new vorhersagen.
  6. Die Zusammenfassungstabelle des Modells ausgeben.

Lösung

Wenn alles korrekt durchgeführt wurde, sollten die p-Werte nahe bei null liegen. Das bedeutet, dass alle unsere Merkmale für das Modell signifikant sind.

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 2. Kapitel 5
single

single

close

Awesome!

Completion rate improved to 5.26

bookHerausforderung: Preisvorhersage Mit Zwei Merkmalen

Swipe um das Menü anzuzeigen

Für diese Aufgabe wird derselbe Wohnungsdatensatz verwendet. Allerdings enthält er nun zwei Merkmale: das Alter und die Fläche des Hauses (Spalten 'age' und 'square_feet').

1234
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())
copy

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

Aufgabe

Swipe to start coding

  1. Die Spalten 'age' und 'square_feet' von df in X zuweisen.
  2. Das X für den Konstruktor der OLS-Klasse vorverarbeiten.
  3. Das Modell mithilfe der OLS-Klasse erstellen und trainieren.
  4. Das Array X_new genauso vorverarbeiten wie X.
  5. Das Ziel für X_new vorhersagen.
  6. Die Zusammenfassungstabelle des Modells ausgeben.

Lösung

Wenn alles korrekt durchgeführt wurde, sollten die p-Werte nahe bei null liegen. Das bedeutet, dass alle unsere Merkmale für das Modell signifikant sind.

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!

some-alt