Lära Utmaning: Förutsäga Huspriser | Enkel Linjär Regression

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 datasetet:


              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 lättare att föreställa sig en linje som passade data väl.

Men nu har våra data mycket större variation eftersom målet till stor del beror på många andra faktorer som ålder, plats, interiör osv.
Uppgiften är ändå att skapa den linje som bäst passar de data vi har; den kommer att visa trenden. Klassen OLS ska användas för detta. Snart kommer vi att lära oss hur man lägger till fler variabler, vilket kommer att förbättra prediktionen!

Uppgift

Swipe to start coding

Tilldela kolumnen 'price' från df till y.
Skapa matrisen X_tilde med hjälp av funktionen add_constant() från statsmodels (importerad som sm).
Initiera OLS-objektet och träna det.
Förbehandla arrayen X_new på samma sätt som X.
Förutsäg målvärdet för matrisen X_new_tilde.

Lösning

Var allt tydligt?

Tack för dina kommentarer!

Avsnitt 1. Kapitel 5

single

Fråga AI

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

Svep för att visa menyn

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 datasetet:


              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 lättare att föreställa sig en linje som passade data väl.

Uppgift

Swipe to start coding

Tilldela kolumnen 'price' från df till y.
Skapa matrisen X_tilde med hjälp av funktionen add_constant() från statsmodels (importerad som sm).
Initiera OLS-objektet och träna det.
Förbehandla arrayen X_new på samma sätt som X.
Förutsäg målvärdet för matrisen X_new_tilde.

Lösning

Byt till skrivbordet för praktisk övningFortsätt där du är med ett av alternativen nedan

Var allt tydligt?

Tack för dina kommentarer!

Avsnitt 1. Kapitel 5

single

Utmaning: Förutsäga Huspriser

Lösning

Awesome!

Utmaning: Förutsäga Huspriser

Lösning

Awesome!