Veeg om het menu te tonen

Uitdaging: Het Voorspellen van Huizenprijzen

U gaat nu een regressiemodel bouwen aan de hand van een praktijkvoorbeeld. U beschikt over een bestand, houses_simple.csv, dat informatie bevat over huizenprijzen met de oppervlakte als kenmerk.


              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())

De volgende stap is het toewijzen van variabelen en het visualiseren van de 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()

In het voorbeeld met de lengte van een persoon was het veel eenvoudiger om een lijn voor te stellen die goed bij de gegevens past.

Maar nu vertonen onze gegevens veel meer variatie, omdat de doelvariabele sterk afhankelijk is van andere factoren zoals leeftijd, locatie, interieur, enzovoort.
Toch is de opdracht om de lijn te construeren die het beste bij de beschikbare gegevens past; deze zal de trend weergeven. De OLS-klasse dient hiervoor gebruikt te worden. Binnenkort leren we hoe we meer kenmerken kunnen toevoegen, wat de voorspelling zal verbeteren!

Taak

Swipe to start coding

Wijs de kolom 'price' van df toe aan y.
Maak de matrix X_tilde aan met behulp van de functie add_constant() uit statsmodels (geïmporteerd als sm).
Initialiseer het OLS-object en train dit.
Verwerk de array X_new op dezelfde manier als X.
Voorspel de target voor de matrix X_new_tilde.

Oplossing

Schakel over naar desktop voor praktijkervaringGa verder vanaf waar je bent met een van de onderstaande opties

Was alles duidelijk?

Bedankt voor je feedback!

Sectie 1. Hoofdstuk 5

single

Vraag AI

Vraag wat u wilt of probeer een van de voorgestelde vragen om onze chat te starten.

Uitdaging: Het Voorspellen van Huizenprijzen

U gaat nu een regressiemodel bouwen aan de hand van een praktijkvoorbeeld. U beschikt over een bestand, houses_simple.csv, dat informatie bevat over huizenprijzen met de oppervlakte als kenmerk.


              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())

De volgende stap is het toewijzen van variabelen en het visualiseren van de 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()

In het voorbeeld met de lengte van een persoon was het veel eenvoudiger om een lijn voor te stellen die goed bij de gegevens past.

Taak

Swipe to start coding

Wijs de kolom 'price' van df toe aan y.
Maak de matrix X_tilde aan met behulp van de functie add_constant() uit statsmodels (geïmporteerd als sm).
Initialiseer het OLS-object en train dit.
Verwerk de array X_new op dezelfde manier als X.
Voorspel de target voor de matrix X_new_tilde.

Oplossing

Schakel over naar desktop voor praktijkervaringGa verder vanaf waar je bent met een van de onderstaande opties

Was alles duidelijk?

Bedankt voor je feedback!

Veeg om het menu te tonen

Uitdaging: Het Voorspellen van Huizenprijzen

Oplossing

Awesome!

Uitdaging: Het Voorspellen van Huizenprijzen

Oplossing

Awesome!