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
X
a un DataFrame contenente la colonna'age'
. - Creare una matrice
X_tilde
utilizzando la classePolynomialFeatures
. - Costruire e addestrare un modello di Regressione Polinomiale.
- Rimodellare
X_new
in un array bidimensionale. - Preprocessare
X_new
nello 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
Awesome!
Completion rate improved to 5.26
Sfida: 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
X
a un DataFrame contenente la colonna'age'
. - Creare una matrice
X_tilde
utilizzando la classePolynomialFeatures
. - Costruire e addestrare un modello di Regressione Polinomiale.
- Rimodellare
X_new
in un array bidimensionale. - Preprocessare
X_new
nello stesso modo diX
. - Stampare i parametri del modello.
Soluzione
Grazie per i tuoi commenti!
Awesome!
Completion rate improved to 5.26single