Notice: This page requires JavaScript to function properly.
Please enable JavaScript in your browser settings or update your browser.
Lære Utfordring: Prediksjon av Boligpriser | Enkel Lineær Regresjon
Lineær Regresjon med Python

Sveip for å vise menyen

book
Utfordring: Prediksjon av Boligpriser

Du skal nå bygge en regresjonsmodell basert på et reelt eksempel. Du har en fil, houses_simple.csv, som inneholder informasjon om boligpriser med areal som en egenskap.

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())
copy

Neste steg er å tilordne variabler og visualisere datasettet:

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()
copy

I eksempelet med en persons høyde var det mye enklere å forestille seg en linje som passet godt til dataene.

Men nå har dataene våre mye større variasjon siden målet i stor grad avhenger av mange andre faktorer som alder, beliggenhet, interiør osv. Uansett er oppgaven å finne linjen som passer best til de dataene vi har; den vil vise trenden. OLS-klassen skal brukes til dette. Snart skal vi lære hvordan vi kan legge til flere variabler, noe som vil forbedre prediksjonen!

Oppgave

Swipe to start coding

  1. Tildel kolonnen 'price' fra df til y.
  2. Opprett matrisen X_tilde ved å bruke funksjonen add_constant() fra statsmodels (importert som sm).
  3. Initialiser OLS-objektet og tren det.
  4. Forhåndsprosesser X_new-arrayet på samme måte som X.
  5. Prediker målet for X_new_tilde-matrisen.

Løsning

Switch to desktopBytt til skrivebordet for virkelighetspraksisFortsett der du er med et av alternativene nedenfor
Alt var klart?

Hvordan kan vi forbedre det?

Takk for tilbakemeldingene dine!

Seksjon 1. Kapittel 5
single

single

Spør AI

expand

Spør AI

ChatGPT

Spør om hva du vil, eller prøv ett av de foreslåtte spørsmålene for å starte chatten vår

close

Awesome!

Completion rate improved to 5.26

book
Utfordring: Prediksjon av Boligpriser

Du skal nå bygge en regresjonsmodell basert på et reelt eksempel. Du har en fil, houses_simple.csv, som inneholder informasjon om boligpriser med areal som en egenskap.

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())
copy

Neste steg er å tilordne variabler og visualisere datasettet:

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()
copy

I eksempelet med en persons høyde var det mye enklere å forestille seg en linje som passet godt til dataene.

Men nå har dataene våre mye større variasjon siden målet i stor grad avhenger av mange andre faktorer som alder, beliggenhet, interiør osv. Uansett er oppgaven å finne linjen som passer best til de dataene vi har; den vil vise trenden. OLS-klassen skal brukes til dette. Snart skal vi lære hvordan vi kan legge til flere variabler, noe som vil forbedre prediksjonen!

Oppgave

Swipe to start coding

  1. Tildel kolonnen 'price' fra df til y.
  2. Opprett matrisen X_tilde ved å bruke funksjonen add_constant() fra statsmodels (importert som sm).
  3. Initialiser OLS-objektet og tren det.
  4. Forhåndsprosesser X_new-arrayet på samme måte som X.
  5. Prediker målet for X_new_tilde-matrisen.

Løsning

Switch to desktopBytt til skrivebordet for virkelighetspraksisFortsett der du er med et av alternativene nedenfor
Alt var klart?

Hvordan kan vi forbedre det?

Takk for tilbakemeldingene dine!

close

Awesome!

Completion rate improved to 5.26

Sveip for å vise menyen

some-alt