Sfida: Valutazione del Modello
In questa sfida, ti viene fornito il classico dataset delle abitazioni, ma questa volta solo con la caratteristica '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())
Successivamente, creeremo uno scatterplot per questi dati:
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()
Adattare una retta a questi dati potrebbe non essere la scelta migliore. Il prezzo aumenta sia per le case nuovissime che per quelle molto vecchie. Adattare una parabola sembra una scelta più appropriata. Ed è proprio questo che farai in questa sfida.
Ma prima di iniziare, ricorda la classe PolynomialFeatures.
Il metodo fit_transform(X) richiede che X sia un array 2-D (o un DataFrame).
Utilizzando X = df[['column_name']] otterrai un X adatto per fit_transform().
Se hai un array 1-D, usa .reshape(-1, 1) per creare un array 2-D con gli stessi contenuti.
L'obiettivo è costruire una Regressione Polinomiale di grado 2 utilizzando PolynomialFeatures e OLS.
Swipe to start coding
- Assegnare la variabile
Xa un DataFrame contenente la colonna'age'. - Creare una matrice
X_tildeutilizzando la classePolynomialFeatures. - Costruire e addestrare un modello di Regressione Polinomiale.
- Rimodellare
X_newin un array bidimensionale. - Preprocessare
X_newnello stesso modo diX. - Stampare i parametri del modello.
Soluzione
Grazie per i tuoi commenti!
single
Chieda ad AI
Chieda ad AI
Chieda pure quello che desidera o provi una delle domande suggerite per iniziare la nostra conversazione
Riassuma questo capitolo
Explain code
Explain why doesn't solve task
Awesome!
Completion rate improved to 5.26Sfida: Valutazione del Modello
Scorri per mostrare il menu
In questa sfida, ti viene fornito il classico dataset delle abitazioni, ma questa volta solo con la caratteristica '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())
Successivamente, creeremo uno scatterplot per questi dati:
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()
Adattare una retta a questi dati potrebbe non essere la scelta migliore. Il prezzo aumenta sia per le case nuovissime che per quelle molto vecchie. Adattare una parabola sembra una scelta più appropriata. Ed è proprio questo che farai in questa sfida.
Ma prima di iniziare, ricorda la classe PolynomialFeatures.
Il metodo fit_transform(X) richiede che X sia un array 2-D (o un DataFrame).
Utilizzando X = df[['column_name']] otterrai un X adatto per fit_transform().
Se hai un array 1-D, usa .reshape(-1, 1) per creare un array 2-D con gli stessi contenuti.
L'obiettivo è costruire una Regressione Polinomiale di grado 2 utilizzando PolynomialFeatures e OLS.
Swipe to start coding
- Assegnare la variabile
Xa un DataFrame contenente la colonna'age'. - Creare una matrice
X_tildeutilizzando la classePolynomialFeatures. - Costruire e addestrare un modello di Regressione Polinomiale.
- Rimodellare
X_newin un array bidimensionale. - Preprocessare
X_newnello stesso modo diX. - Stampare i parametri del modello.
Soluzione
Cambia al desktop per esercitarti nel mondo realeContinua da dove ti trovi utilizzando una delle opzioni seguentiGrazie per i tuoi commenti!
Awesome!
Completion rate improved to 5.26single
