Prédire les Prix des Maisons

Construisons un modèle de régression d'exemple du monde réel. Nous avons un fichier, houses_simple.csv, qui contient des informations sur les prix des logements avec sa superficie comme caractéristique.


              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())

Attribuons des variables et visualisons notre jeu de données !


              12345678
            
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)

Dans l'exemple avec la taille d'une personne, il était beaucoup plus facile d'imaginer une ligne s'ajustant bien aux données.
Mais maintenant, nos données ont beaucoup plus de variance puisque la cible dépend fortement de nombreux autres facteurs comme l'âge, l'emplacement, l'intérieur, etc.
Quoi qu'il en soit, la tâche consiste à construire la ligne qui s'ajuste le mieux aux données que nous avons ; elle montrera la tendance. La classe OLS doit être utilisée pour cela. Bientôt, nous apprendrons comment ajouter plus de caractéristiques, cela rendra la prédiction meilleure !

Tâche

Swipe to start coding

Assignez la colonne 'price' de df à y.
Créez la matrice X_tilde en utilisant la fonction add_constant() de statsmodels (importée sous le nom sm).
Initialisez l'objet OLS et entraînez-le.
Prétraitez le tableau X_new de la même manière que X.
Prédisez la cible pour la matrice X_new_tilde.

_{Une fois que vous avez terminé cette tâche, cliquez sur le bouton sous le code pour vérifier votre solution.}

Solution

Passez à un bureau pour une pratique réelleContinuez d'où vous êtes en utilisant l'une des options ci-dessous

Tout était clair ?

Merci pour vos commentaires !

Section 1. Chapitre 5

Prédire les Prix des Maisons


              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())

Attribuons des variables et visualisons notre jeu de données !


              12345678
            
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)

Tâche

Swipe to start coding

Assignez la colonne 'price' de df à y.
Créez la matrice X_tilde en utilisant la fonction add_constant() de statsmodels (importée sous le nom sm).
Initialisez l'objet OLS et entraînez-le.
Prétraitez le tableau X_new de la même manière que X.
Prédisez la cible pour la matrice X_new_tilde.

_{Une fois que vous avez terminé cette tâche, cliquez sur le bouton sous le code pour vérifier votre solution.}

Solution

Passez à un bureau pour une pratique réelleContinuez d'où vous êtes en utilisant l'une des options ci-dessous

Tout était clair ?

Merci pour vos commentaires !

Section 1. Chapitre 5

Passez à un bureau pour une pratique réelleContinuez d'où vous êtes en utilisant l'une des options ci-dessous