Impara Sfida: Previsione dei Prezzi delle Case

Ora costruirai un modello di regressione su un esempio reale. Hai a disposizione un file, houses_simple.csv, che contiene informazioni sui prezzi delle case con la superficie come caratteristica.


              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())

Il passo successivo consiste nell'assegnare le variabili e visualizzare il dataset:


              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()

Nell'esempio relativo all'altezza di una persona, era molto più semplice immaginare una retta che si adattasse bene ai dati.

Tuttavia, ora i nostri dati presentano una varianza molto maggiore, poiché il target dipende fortemente da molti altri fattori come età, posizione, interni, ecc. In ogni caso, l'obiettivo è costruire la retta che meglio si adatta ai dati disponibili; essa mostrerà la tendenza. Per questo scopo, è opportuno utilizzare la classe LinearRegression di scikit-learn.

Compito

Swipe to start coding

Assegna la colonna 'price' di df a y.
Crea la variabile X_reshaped rimodellando X in un array 2D utilizzando .values.reshape(-1, 1).
Inizializza il modello LinearRegression e addestralo utilizzando X_reshaped e y.
Crea X_new_reshaped rimodellando X_new nello stesso modo.
Predici il target per X_new_reshaped.

Soluzione

Tutto è chiaro?

Grazie per i tuoi commenti!

Sezione 1. Capitolo 4

single

Chieda ad AI

Chieda pure quello che desidera o provi una delle domande suggerite per iniziare la nostra conversazione

Scorri per mostrare il menu