Notice: This page requires JavaScript to function properly.
Please enable JavaScript in your browser settings or update your browser.
Lära Utmaning: Förutsäga Huspriser | Enkel Linjär Regression
Linjär Regression med Python

Svep för att visa menyn

book
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())
copy

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()
copy

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

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

Lösning

Switch to desktopByt till skrivbordet för praktisk övningFortsätt där du är med ett av alternativen nedan
Var allt tydligt?

Hur kan vi förbättra det?

Tack för dina kommentarer!

Avsnitt 1. Kapitel 5
single

single

Fråga AI

expand

Fråga AI

ChatGPT

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

close

Awesome!

Completion rate improved to 5.26

book
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())
copy

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()
copy

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

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

Lösning

Switch to desktopByt till skrivbordet för praktisk övningFortsätt där du är med ett av alternativen nedan
Var allt tydligt?

Hur kan vi förbättra det?

Tack för dina kommentarer!

close

Awesome!

Completion rate improved to 5.26

Svep för att visa menyn

some-alt