Вивчайте Завдання: Прогнозування Цін на Житло

Тепер ви створите модель регресії на реальному прикладі. У вас є файл houses_simple.csv, який містить інформацію про ціни на житло з площею як ознакою.


              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())

Наступний крок — призначити змінні та візуалізувати набір даних:


              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()

У прикладі з ростом людини було значно простіше уявити лінію, яка добре підходить до даних.

Але зараз наші дані мають набагато більшу дисперсію, оскільки цільова змінна значною мірою залежить від багатьох інших факторів, таких як вік, розташування, інтер'єр тощо. У будь-якому випадку, завдання полягає у побудові лінії, яка найкраще відповідає наявним даним; вона покаже тенденцію. Для цього слід використовувати клас LinearRegression з бібліотеки scikit-learn.

Завдання

Swipe to start coding

Призначте стовпець 'price' з df змінній y.
Створіть змінну X_reshaped, перетворивши X у двовимірний масив за допомогою .values.reshape(-1, 1).
Ініціалізуйте модель LinearRegression та навчіть її, використовуючи X_reshaped і y.
Створіть X_new_reshaped, перетворивши X_new аналогічним чином.
Передбачте цільову змінну для X_new_reshaped.

Рішення

Все було зрозуміло?

Дякуємо за ваш відгук!

Секція 1. Розділ 4

single

Запитати АІ

Запитайте про що завгодно або спробуйте одне із запропонованих запитань, щоб почати наш чат

Свайпніть щоб показати меню


              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())