Deslize para mostrar o menu

Desafio: Previsão de Preços de Casas

Agora você irá construir um modelo de regressão baseado em um exemplo do mundo real. Você possui um arquivo, houses_simple.csv, que contém informações sobre preços de casas, tendo a área como uma das características.


              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())

O próximo passo é atribuir variáveis e visualizar o conjunto de dados:


              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()

No exemplo com a altura de uma pessoa, era muito mais fácil imaginar uma linha ajustando bem os dados.

Mas agora nossos dados apresentam muito mais variância, pois o alvo depende fortemente de muitos outros fatores, como idade, localização, interior, etc.
De qualquer forma, o objetivo é construir a linha que melhor se ajusta aos dados disponíveis; ela mostrará a tendência. A classe OLS deve ser utilizada para isso. Em breve, aprenderemos como adicionar mais variáveis, o que tornará a previsão mais precisa!

Tarefa

Swipe to start coding

Atribua a coluna 'price' de df à variável y.
Crie a matriz X_tilde utilizando a função add_constant() do statsmodels (importado como sm).
Inicialize o objeto OLS e treine-o.
Pré-processe o array X_new da mesma forma que X.
Realize a previsão do alvo para a matriz X_new_tilde.

Solução

Mude para o desktop para praticar no mundo realContinue de onde você está usando uma das opções abaixo

Tudo estava claro?

Obrigado pelo seu feedback!

Seção 1. Capítulo 5

single

Pergunte à IA

Pergunte o que quiser ou experimente uma das perguntas sugeridas para iniciar nosso bate-papo

Desafio: Previsão de Preços de Casas


              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())

O próximo passo é atribuir variáveis e visualizar o conjunto de dados:


              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()

No exemplo com a altura de uma pessoa, era muito mais fácil imaginar uma linha ajustando bem os dados.

Tarefa

Swipe to start coding

Atribua a coluna 'price' de df à variável y.
Crie a matriz X_tilde utilizando a função add_constant() do statsmodels (importado como sm).
Inicialize o objeto OLS e treine-o.
Pré-processe o array X_new da mesma forma que X.
Realize a previsão do alvo para a matriz X_new_tilde.

Solução

Mude para o desktop para praticar no mundo realContinue de onde você está usando uma das opções abaixo

Tudo estava claro?

Obrigado pelo seu feedback!

Deslize para mostrar o menu

Desafio: Previsão de Preços de Casas

Solução

Awesome!

Desafio: Previsão de Preços de Casas

Solução

Awesome!