Notice: This page requires JavaScript to function properly.
Please enable JavaScript in your browser settings or update your browser.Aprende Desafío: Predicción de Precios de Viviendas | Regresión Lineal Simple
Regresión Lineal con Python

bookDesafío: Predicción de Precios de Viviendas

Ahora construirás un modelo de regresión con un ejemplo del mundo real. Tienes un archivo, houses_simple.csv, que contiene información sobre los precios de viviendas con su área como característica.


              
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())
copy

El siguiente paso es asignar variables y visualizar el conjunto de datos:


              
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()
copy

En el ejemplo con la altura de una persona, era mucho más sencillo imaginar una línea que se ajustara bien a los datos.

Sin embargo, ahora nuestros datos presentan mucha más variabilidad, ya que el objetivo depende en gran medida de otros factores como la antigüedad, ubicación, interior, etc.
De todas formas, la tarea consiste en construir la línea que mejor se ajuste a los datos disponibles; esta mostrará la tendencia. Para ello, se debe utilizar la clase OLS. Pronto aprenderemos cómo añadir más características, lo que mejorará la predicción.

Tarea

Swipe to start coding

  1. Asignar la columna 'price' de df a y.
  2. Crear la matriz X_tilde utilizando la función add_constant() de statsmodels (importada como sm).
  3. Inicializar el objeto OLS y entrenarlo.
  4. Preprocesar el arreglo X_new de la misma manera que X.
  5. Predecir el objetivo para la matriz X_new_tilde.

Solución

Switch to desktopCambia al escritorio para practicar en el mundo realContinúe desde donde se encuentra utilizando una de las siguientes opciones
¿Todo estuvo claro?

¿Cómo podemos mejorarlo?

¡Gracias por tus comentarios!

Sección 1. Capítulo 5
single

single

Pregunte a AI

expand

Pregunte a AI

ChatGPT

Pregunte lo que quiera o pruebe una de las preguntas sugeridas para comenzar nuestra charla

close

Awesome!

Completion rate improved to 5.26

bookDesafío: Predicción de Precios de Viviendas

Ahora construirás un modelo de regresión con un ejemplo del mundo real. Tienes un archivo, houses_simple.csv, que contiene información sobre los precios de viviendas con su área como característica.


              
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())
copy

El siguiente paso es asignar variables y visualizar el conjunto de datos:


              
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()
copy

En el ejemplo con la altura de una persona, era mucho más sencillo imaginar una línea que se ajustara bien a los datos.

Sin embargo, ahora nuestros datos presentan mucha más variabilidad, ya que el objetivo depende en gran medida de otros factores como la antigüedad, ubicación, interior, etc.
De todas formas, la tarea consiste en construir la línea que mejor se ajuste a los datos disponibles; esta mostrará la tendencia. Para ello, se debe utilizar la clase OLS. Pronto aprenderemos cómo añadir más características, lo que mejorará la predicción.

Tarea

Swipe to start coding

  1. Asignar la columna 'price' de df a y.
  2. Crear la matriz X_tilde utilizando la función add_constant() de statsmodels (importada como sm).
  3. Inicializar el objeto OLS y entrenarlo.
  4. Preprocesar el arreglo X_new de la misma manera que X.
  5. Predecir el objetivo para la matriz X_new_tilde.

Solución

Switch to desktopCambia al escritorio para practicar en el mundo realContinúe desde donde se encuentra utilizando una de las siguientes opciones
¿Todo estuvo claro?

¿Cómo podemos mejorarlo?

¡Gracias por tus comentarios!

Sección 1. Capítulo 5
single

single

close

Awesome!

Completion rate improved to 5.26

bookDesafío: Predicción de Precios de Viviendas

Desliza para mostrar el menú

Ahora construirás un modelo de regresión con un ejemplo del mundo real. Tienes un archivo, houses_simple.csv, que contiene información sobre los precios de viviendas con su área como característica.


              
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())
copy

El siguiente paso es asignar variables y visualizar el conjunto de datos:


              
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()
copy

En el ejemplo con la altura de una persona, era mucho más sencillo imaginar una línea que se ajustara bien a los datos.

Sin embargo, ahora nuestros datos presentan mucha más variabilidad, ya que el objetivo depende en gran medida de otros factores como la antigüedad, ubicación, interior, etc.
De todas formas, la tarea consiste en construir la línea que mejor se ajuste a los datos disponibles; esta mostrará la tendencia. Para ello, se debe utilizar la clase OLS. Pronto aprenderemos cómo añadir más características, lo que mejorará la predicción.

Tarea

Swipe to start coding

  1. Asignar la columna 'price' de df a y.
  2. Crear la matriz X_tilde utilizando la función add_constant() de statsmodels (importada como sm).
  3. Inicializar el objeto OLS y entrenarlo.
  4. Preprocesar el arreglo X_new de la misma manera que X.
  5. Predecir el objetivo para la matriz X_new_tilde.

Solución

Switch to desktopCambia al escritorio para practicar en el mundo realContinúe desde donde se encuentra utilizando una de las siguientes opciones
¿Todo estuvo claro?

¿Cómo podemos mejorarlo?

¡Gracias por tus comentarios!

some-alt