Notice: This page requires JavaScript to function properly.
Please enable JavaScript in your browser settings or update your browser.Lernen Preise mit Polynomialer Regression Vorhersagen | Das Beste Modell Auswählen
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 Polynomialer Regression Vorhersagen

Für diese Herausforderung werden Sie die gleiche Polynomialregression vom Grad 2 wie in der vorherigen Herausforderung erstellen. Sie müssen jedoch den Satz in einen Trainingssatz und einen Testsatz aufteilen, um den RMSE für beide Sätze zu berechnen. Dies ist erforderlich, um zu beurteilen, ob das Modell überanpasst oder unteranpasst ist.
Hier ist die Erinnerung an die train_test_split()-Funktion, die Sie verwenden möchten.

Und auch die Erinnerung an die mean_squared_error()-Funktion, die benötigt wird, um den RMSE zu berechnen:

Jetzt gehen wir zum Codieren über!

Aufgabe

Swipe to start coding

  1. Weisen Sie die DataFrame mit einer einzelnen Spalte 'age' von df der Variablen X zu.
  2. Verarbeiten Sie X mit der Klasse PolynomialFeatures vor.
  3. Teilen Sie den Datensatz mit der entsprechenden Funktion aus sklearn.
  4. Erstellen und trainieren Sie ein Modell auf dem Trainingssatz.
  5. Sagen Sie die Ziele sowohl des Trainings- als auch des Testsatzes voraus.
  6. Berechnen Sie den RMSE für sowohl den Trainings- als auch den Testsatz.
  7. Drucken Sie die Zusammenfassungstabelle aus.

Lösung

Wenn Sie die Aufgabe abgeschlossen haben, werden Sie feststellen, dass der Test-RMSE sogar niedriger ist als der Trainings-RMSE. Normalerweise zeigen Modelle keine besseren Ergebnisse bei unbekannten Instanzen. Hier ist der Unterschied gering und zufallsbedingt. Unser Datensatz ist relativ klein, und beim Teilen hat der Testsatz etwas bessere (leichter vorherzusagende) Datenpunkte erhalten.

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 4. Kapitel 4
toggle bottom row

book
Preise mit Polynomialer Regression Vorhersagen

Für diese Herausforderung werden Sie die gleiche Polynomialregression vom Grad 2 wie in der vorherigen Herausforderung erstellen. Sie müssen jedoch den Satz in einen Trainingssatz und einen Testsatz aufteilen, um den RMSE für beide Sätze zu berechnen. Dies ist erforderlich, um zu beurteilen, ob das Modell überanpasst oder unteranpasst ist.
Hier ist die Erinnerung an die train_test_split()-Funktion, die Sie verwenden möchten.

Und auch die Erinnerung an die mean_squared_error()-Funktion, die benötigt wird, um den RMSE zu berechnen:

Jetzt gehen wir zum Codieren über!

Aufgabe

Swipe to start coding

  1. Weisen Sie die DataFrame mit einer einzelnen Spalte 'age' von df der Variablen X zu.
  2. Verarbeiten Sie X mit der Klasse PolynomialFeatures vor.
  3. Teilen Sie den Datensatz mit der entsprechenden Funktion aus sklearn.
  4. Erstellen und trainieren Sie ein Modell auf dem Trainingssatz.
  5. Sagen Sie die Ziele sowohl des Trainings- als auch des Testsatzes voraus.
  6. Berechnen Sie den RMSE für sowohl den Trainings- als auch den Testsatz.
  7. Drucken Sie die Zusammenfassungstabelle aus.

Lösung

Wenn Sie die Aufgabe abgeschlossen haben, werden Sie feststellen, dass der Test-RMSE sogar niedriger ist als der Trainings-RMSE. Normalerweise zeigen Modelle keine besseren Ergebnisse bei unbekannten Instanzen. Hier ist der Unterschied gering und zufallsbedingt. Unser Datensatz ist relativ klein, und beim Teilen hat der Testsatz etwas bessere (leichter vorherzusagende) Datenpunkte erhalten.

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 4. Kapitel 4
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