Défi : Évaluation du Modèle
Dans ce défi, vous disposez du célèbre jeu de données sur le logement, mais cette fois uniquement avec la caractéristique 'age'
.
1234import pandas as pd df = pd.read_csv('https://codefinity-content-media.s3.eu-west-1.amazonaws.com/b22d1166-efda-45e8-979e-6c3ecfc566fc/houses_poly.csv') print(df.head())
Ensuite, nous allons créer un nuage de points pour ces données :
12345678import 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_poly.csv') X = df['age'] y = df['price'] plt.scatter(X, y, alpha=0.4) plt.show()
Ajuster une droite à ces données peut ne pas être un choix optimal. Le prix augmente aussi bien pour les maisons neuves que pour les très anciennes. Ajuster une parabole semble être une meilleure option. C'est ce que vous allez faire dans ce défi.
Mais avant de commencer, rappelez-vous de la classe PolynomialFeatures
.
La méthode fit_transform(X)
nécessite que X
soit un tableau 2D (ou un DataFrame).
Utiliser X = df[['column_name']]
permet d'obtenir un X
adapté pour fit_transform()
.
Et si vous avez un tableau 1D, utilisez .reshape(-1, 1)
pour créer un tableau 2D avec le même contenu.
L'objectif est de construire une régression polynomiale de degré 2 en utilisant PolynomialFeatures
et OLS
.
Swipe to start coding
- Assigner la variable
X
à un DataFrame contenant la colonne'age'
. - Créer une matrice
X_tilde
en utilisant la classePolynomialFeatures
. - Construire et entraîner un modèle de régression polynomiale.
- Remodeler
X_new
pour qu'il soit un tableau 2D. - Prétraiter
X_new
de la même manière queX
. - Afficher les paramètres du modèle.
Solution
Merci pour vos commentaires !
single
Demandez à l'IA
Demandez à l'IA
Posez n'importe quelle question ou essayez l'une des questions suggérées pour commencer notre discussion
Awesome!
Completion rate improved to 5.26
Défi : Évaluation du Modèle
Glissez pour afficher le menu
Dans ce défi, vous disposez du célèbre jeu de données sur le logement, mais cette fois uniquement avec la caractéristique 'age'
.
1234import pandas as pd df = pd.read_csv('https://codefinity-content-media.s3.eu-west-1.amazonaws.com/b22d1166-efda-45e8-979e-6c3ecfc566fc/houses_poly.csv') print(df.head())
Ensuite, nous allons créer un nuage de points pour ces données :
12345678import 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_poly.csv') X = df['age'] y = df['price'] plt.scatter(X, y, alpha=0.4) plt.show()
Ajuster une droite à ces données peut ne pas être un choix optimal. Le prix augmente aussi bien pour les maisons neuves que pour les très anciennes. Ajuster une parabole semble être une meilleure option. C'est ce que vous allez faire dans ce défi.
Mais avant de commencer, rappelez-vous de la classe PolynomialFeatures
.
La méthode fit_transform(X)
nécessite que X
soit un tableau 2D (ou un DataFrame).
Utiliser X = df[['column_name']]
permet d'obtenir un X
adapté pour fit_transform()
.
Et si vous avez un tableau 1D, utilisez .reshape(-1, 1)
pour créer un tableau 2D avec le même contenu.
L'objectif est de construire une régression polynomiale de degré 2 en utilisant PolynomialFeatures
et OLS
.
Swipe to start coding
- Assigner la variable
X
à un DataFrame contenant la colonne'age'
. - Créer une matrice
X_tilde
en utilisant la classePolynomialFeatures
. - Construire et entraîner un modèle de régression polynomiale.
- Remodeler
X_new
pour qu'il soit un tableau 2D. - Prétraiter
X_new
de la même manière queX
. - Afficher les paramètres du modèle.
Solution
Merci pour vos commentaires !
Awesome!
Completion rate improved to 5.26single