Lära Utmaning: Förutsäga Huspriser

Du kommer nu att bygga en regressionsmodell för ett verkligt exempel. Du har en fil, houses_simple.csv, som innehåller information om bostadspriser med dess yta 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())

Nästa steg är att tilldela variabler och visualisera 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()

I exemplet med en persons längd var det mycket enklare att föreställa sig en linje som passade datan väl.

Men nu har vår data mycket större variation eftersom målet till stor del beror på många andra faktorer som ålder, plats, interiör, etc. Uppgiften är ändå att skapa den linje som bäst passar den data vi har; den kommer att visa trenden. Klassen LinearRegression från scikit-learn ska användas för detta.

Uppgift

Swipe to start coding

Tilldela kolumnen 'price' från df till y.
Skapa variabeln X_reshaped genom att omforma X till en 2D-array med .values.reshape(-1, 1).
Initiera modellen LinearRegression och träna den med X_reshaped och y.
Skapa X_new_reshaped genom att omforma X_new på samma sätt.
Förutsäg målet för X_new_reshaped.

Lösning

Var allt tydligt?

Tack för dina kommentarer!

Avsnitt 1. Kapitel 4

single

Fråga AI

Fråga vad du vill eller prova någon av de föreslagna frågorna för att starta vårt samtal

Svep för att visa menyn