Desafio: Avaliando o Modelo
Neste desafio, você recebe o tradicional conjunto de dados de habitação, mas desta vez apenas com a variável '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())
Em seguida, criaremos um gráfico de dispersão para esses dados:
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()
Ajustar uma linha reta a esses dados pode não ser a melhor escolha. O preço aumenta tanto para casas novas quanto para casas muito antigas. Ajustar uma parábola parece ser uma escolha melhor. E é isso que será feito neste desafio.
Mas antes de começar, relembre a classe PolynomialFeatures.
O método fit_transform(X) requer que X seja um array 2-D (ou um DataFrame).
Utilizar X = df[['column_name']] ajusta seu X para o fit_transform().
Se você tiver um array 1-D, utilize .reshape(-1, 1) para criar um array 2-D com o mesmo conteúdo.
O objetivo é construir uma Regressão Polinomial de grau 2 utilizando PolynomialFeatures e OLS.
Swipe to start coding
- Atribua a variável
Xa um DataFrame contendo a coluna'age'. - Crie uma matriz
X_tildeutilizando a classePolynomialFeatures. - Construa e treine um modelo de Regressão Polinomial.
- Redimensione
X_newpara ser um array 2-D. - Pré-processe
X_newda mesma forma queX. - Imprima os parâmetros do modelo.
Solução
Obrigado pelo seu feedback!
single
Pergunte à IA
Pergunte à IA
Pergunte o que quiser ou experimente uma das perguntas sugeridas para iniciar nosso bate-papo
Awesome!
Completion rate improved to 5.26Desafio: Avaliando o Modelo
Deslize para mostrar o menu
Neste desafio, você recebe o tradicional conjunto de dados de habitação, mas desta vez apenas com a variável '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())
Em seguida, criaremos um gráfico de dispersão para esses dados:
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()
Ajustar uma linha reta a esses dados pode não ser a melhor escolha. O preço aumenta tanto para casas novas quanto para casas muito antigas. Ajustar uma parábola parece ser uma escolha melhor. E é isso que será feito neste desafio.
Mas antes de começar, relembre a classe PolynomialFeatures.
O método fit_transform(X) requer que X seja um array 2-D (ou um DataFrame).
Utilizar X = df[['column_name']] ajusta seu X para o fit_transform().
Se você tiver um array 1-D, utilize .reshape(-1, 1) para criar um array 2-D com o mesmo conteúdo.
O objetivo é construir uma Regressão Polinomial de grau 2 utilizando PolynomialFeatures e OLS.
Swipe to start coding
- Atribua a variável
Xa um DataFrame contendo a coluna'age'. - Crie uma matriz
X_tildeutilizando a classePolynomialFeatures. - Construa e treine um modelo de Regressão Polinomial.
- Redimensione
X_newpara ser um array 2-D. - Pré-processe
X_newda mesma forma queX. - Imprima os parâmetros do modelo.
Solução
Mude para o desktop para praticar no mundo realContinue de onde você está usando uma das opções abaixoObrigado pelo seu feedback!
single
