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.
1234import 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:
123456789import 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 si dovrebbe utilizzare la classe OLS. Presto impareremo come aggiungere ulteriori caratteristiche, il che renderà la previsione più accurata!
Swipe to start coding
- Assegnare la colonna
'price'didfay. - Creare la matrice
X_tildeutilizzando la funzioneadd_constant()distatsmodels(importata comesm). - Inizializzare l'oggetto
OLSed eseguire l'addestramento. - Preprocessare l'array
X_newnello stesso modo diX. - Predire il target per la matrice
X_new_tilde.
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 5.26Sfida: Previsione dei Prezzi delle Case
Scorri per mostrare il menu
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.
1234import 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:
123456789import 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 si dovrebbe utilizzare la classe OLS. Presto impareremo come aggiungere ulteriori caratteristiche, il che renderà la previsione più accurata!
Swipe to start coding
- Assegnare la colonna
'price'didfay. - Creare la matrice
X_tildeutilizzando la funzioneadd_constant()distatsmodels(importata comesm). - Inizializzare l'oggetto
OLSed eseguire l'addestramento. - Preprocessare l'array
X_newnello stesso modo diX. - Predire il target per la matrice
X_new_tilde.
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
