Haaste: Asuntojen Hintojen Ennustaminen
Seuraavaksi rakennetaan todellisen maailman esimerkkiregressiomalli. Käytössäsi on tiedosto, houses_simple.csv, joka sisältää tietoja asuntojen hinnoista sekä pinta-alasta ominaisuutena.
1234import 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 määrittää muuttujat ja visualisoida aineisto:
123456789import 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 sopii parhaiten käytettävissä olevaan dataan; se näyttää trendin. Tätä varten tulisi käyttää OLS-luokkaa. Pian opimme, miten lisätä enemmän ominaisuuksia, mikä parantaa ennustetta!
Swipe to start coding
- Aseta
'price'-datandf-sarake muuttujaany. - Luo
X_tilde-matriisi käyttämälläadd_constant()-funktiota kirjastostastatsmodels(tuotu nimelläsm). - Alusta
OLS-olio ja kouluta se. - Esikäsittele
X_new-taulukko samalla tavalla kuinX. - Ennusta kohdearvo
X_new_tilde-matriisille.
Ratkaisu
Kiitos palautteestasi!
single
Kysy tekoälyä
Kysy tekoälyä
Kysy mitä tahansa tai kokeile jotakin ehdotetuista kysymyksistä aloittaaksesi keskustelumme
Mahtavaa!
Completion arvosana parantunut arvoon 5.26Haaste: Asuntojen Hintojen Ennustaminen
Pyyhkäise näyttääksesi valikon
Seuraavaksi rakennetaan todellisen maailman esimerkkiregressiomalli. Käytössäsi on tiedosto, houses_simple.csv, joka sisältää tietoja asuntojen hinnoista sekä pinta-alasta ominaisuutena.
1234import 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 määrittää muuttujat ja visualisoida aineisto:
123456789import 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 sopii parhaiten käytettävissä olevaan dataan; se näyttää trendin. Tätä varten tulisi käyttää OLS-luokkaa. Pian opimme, miten lisätä enemmän ominaisuuksia, mikä parantaa ennustetta!
Swipe to start coding
- Aseta
'price'-datandf-sarake muuttujaany. - Luo
X_tilde-matriisi käyttämälläadd_constant()-funktiota kirjastostastatsmodels(tuotu nimelläsm). - Alusta
OLS-olio ja kouluta se. - Esikäsittele
X_new-taulukko samalla tavalla kuinX. - Ennusta kohdearvo
X_new_tilde-matriisille.
Ratkaisu
Vaihda työpöytään todellista harjoitusta vartenJatka siitä, missä olet käyttämällä jotakin alla olevista vaihtoehdoistaKiitos palautteestasi!
single
