Apprendre Défi : Prédire les Prix des Maisons

Vous allez maintenant construire un modèle de régression basé sur un exemple réel. Vous disposez d'un fichier, houses_simple.csv, qui contient des informations sur les prix des logements avec leur 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())

L'étape suivante consiste à attribuer des variables et à visualiser l'ensemble de données :


              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()

Dans l'exemple de la taille d'une personne, il était beaucoup plus facile d'imaginer une droite ajustant bien les données.

Mais ici, nos données présentent beaucoup plus de variance, car la variable cible dépend fortement de nombreux autres facteurs comme l'âge, l'emplacement, l'intérieur, etc.
Quoi qu'il en soit, l'objectif est de construire la droite qui s'ajuste le mieux aux données disponibles ; elle indiquera la tendance. La classe OLS doit être utilisée pour cela. Bientôt, nous apprendrons comment ajouter plus de variables, ce qui améliorera la prédiction !

Tâche

Swipe to start coding

Assigner la colonne 'price' de df à y.
Créer la matrice X_tilde en utilisant la fonction add_constant() de statsmodels (importée sous le nom sm).
Initialiser l'objet OLS et l'entraîner.
Prétraiter le tableau X_new de la même manière que X.
Prédire la cible pour la matrice X_new_tilde.

Solution

Tout était clair ?

Merci pour vos commentaires !

Section 1. Chapitre 5

single

Demandez à l'IA

Posez n'importe quelle question ou essayez l'une des questions suggérées pour commencer notre discussion

Glissez pour afficher le menu


              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())

L'étape suivante consiste à attribuer des variables et à visualiser l'ensemble de données :


              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()

Dans l'exemple de la taille d'une personne, il était beaucoup plus facile d'imaginer une droite ajustant bien les données.

Tâche

Swipe to start coding

Assigner la colonne 'price' de df à y.
Créer la matrice X_tilde en utilisant la fonction add_constant() de statsmodels (importée sous le nom sm).
Initialiser l'objet OLS et l'entraîner.
Prétraiter le tableau X_new de la même manière que X.
Prédire la cible pour la matrice X_new_tilde.

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

single

Défi : Prédire les Prix des Maisons

Solution

Awesome!

Défi : Prédire les Prix des Maisons

Solution

Awesome!