Pyyhkäise näyttääksesi valikon

Haaste: Asuntojen Hintojen Ennustaminen

Seuraavaksi rakennat esimerkin regressiomallista todellisessa maailmassa. Sinulla on tiedosto, houses_simple.csv, joka sisältää tietoa asuntojen hinnoista ja pinta-alasta ominaisuutena.


              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())

Seuraava vaihe on muuttujien määrittäminen ja aineiston visualisointi:


              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()

Esimerkissä henkilön pituudesta oli paljon helpompi kuvitella viiva, joka sopii hyvin dataan.

Nyt kuitenkin datassamme on huomattavasti enemmän vaihtelua, koska kohdearvo riippuu monista muista tekijöistä, kuten iästä, sijainnista, sisustuksesta jne. Tehtävänä on kuitenkin rakentaa viiva, joka parhaiten kuvaa käytettävissä olevaa dataa; se osoittaa trendin. Tätä varten tulisi käyttää OLS-luokkaa. Pian opimme, miten lisäominaisuuksia voidaan ottaa mukaan, mikä parantaa ennustetta!

Tehtävä

Swipe to start coding

Aseta 'price'-datan df-sarake muuttujaan y.
Luo X_tilde-matriisi käyttämällä add_constant()-kirjaston (tuotu nimellä statsmodels) sm-funktiota.
Alusta OLS-olio ja kouluta se.
Esikäsittele X_new-taulukko samalla tavalla kuin X.
Ennusta kohdearvo X_new_tilde-matriisille.

Ratkaisu

Vaihda työpöytään todellista harjoitusta vartenJatka siitä, missä olet käyttämällä jotakin alla olevista vaihtoehdoista

Oliko kaikki selvää?

Kiitos palautteestasi!

Osio 1. Luku 5

single

Kysy tekoälyä

Kysy mitä tahansa tai kokeile jotakin ehdotetuista kysymyksistä aloittaaksesi keskustelumme

Haaste: Asuntojen Hintojen Ennustaminen

Seuraavaksi rakennat esimerkin regressiomallista todellisessa maailmassa. Sinulla on tiedosto, houses_simple.csv, joka sisältää tietoa asuntojen hinnoista ja pinta-alasta ominaisuutena.


              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())

Seuraava vaihe on muuttujien määrittäminen ja aineiston visualisointi:


              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()

Esimerkissä henkilön pituudesta oli paljon helpompi kuvitella viiva, joka sopii hyvin dataan.

Tehtävä

Swipe to start coding

Aseta 'price'-datan df-sarake muuttujaan y.
Luo X_tilde-matriisi käyttämällä add_constant()-kirjaston (tuotu nimellä statsmodels) sm-funktiota.
Alusta OLS-olio ja kouluta se.
Esikäsittele X_new-taulukko samalla tavalla kuin X.
Ennusta kohdearvo X_new_tilde-matriisille.

Ratkaisu

Vaihda työpöytään todellista harjoitusta vartenJatka siitä, missä olet käyttämällä jotakin alla olevista vaihtoehdoista

Oliko kaikki selvää?

Kiitos palautteestasi!

Pyyhkäise näyttääksesi valikon

Haaste: Asuntojen Hintojen Ennustaminen

Ratkaisu

Awesome!

Haaste: Asuntojen Hintojen Ennustaminen

Ratkaisu

Awesome!