Notice: This page requires JavaScript to function properly.
Please enable JavaScript in your browser settings or update your browser.Lernen Preise Mit Zwei Merkmalen Vorhersagen | Multiple Lineare 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
Preise Mit Zwei Merkmalen Vorhersagen

Für diese Herausforderung wird dasselbe Wohnungsdatensatz verwendet. Allerdings hat es jetzt zwei Merkmale: Alter und 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

Ihre Aufgabe ist es, ein Multiple Lineare Regressionsmodell mit der OLS-Klasse zu erstellen. Außerdem werden Sie die Zusammenfassungstabelle ausdrucken, um die p-Werte jedes Merkmals zu betrachten.

Aufgabe

Swipe to start coding

  1. Weisen Sie die Spalten 'age' und 'square_feet' von df X zu.
  2. Vorverarbeiten Sie X für den Konstruktor der OLS-Klasse.
  3. Erstellen und trainieren Sie das Modell mit der OLS-Klasse.
  4. Vorverarbeiten Sie das X_new-Array genauso wie X.
  5. Sagen Sie das Ziel für X_new voraus.
  6. Drucken Sie die Zusammenfassungstabelle des Modells aus.

Lösung

Wenn Sie alles richtig gemacht haben, haben Sie p-Werte nahe null erhalten. 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
toggle bottom row

book
Preise Mit Zwei Merkmalen Vorhersagen

Für diese Herausforderung wird dasselbe Wohnungsdatensatz verwendet. Allerdings hat es jetzt zwei Merkmale: Alter und 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

Ihre Aufgabe ist es, ein Multiple Lineare Regressionsmodell mit der OLS-Klasse zu erstellen. Außerdem werden Sie die Zusammenfassungstabelle ausdrucken, um die p-Werte jedes Merkmals zu betrachten.

Aufgabe

Swipe to start coding

  1. Weisen Sie die Spalten 'age' und 'square_feet' von df X zu.
  2. Vorverarbeiten Sie X für den Konstruktor der OLS-Klasse.
  3. Erstellen und trainieren Sie das Modell mit der OLS-Klasse.
  4. Vorverarbeiten Sie das X_new-Array genauso wie X.
  5. Sagen Sie das Ziel für X_new voraus.
  6. Drucken Sie die Zusammenfassungstabelle des Modells aus.

Lösung

Wenn Sie alles richtig gemacht haben, haben Sie p-Werte nahe null erhalten. 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
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