Завдання: Оцінювання Моделі
У цьому завданні вам надається добре відомий набір даних про житло, але цього разу лише з ознакою 'age'.
1234import pandas as pd df = pd.read_csv('https://codefinity-content-media.s3.eu-west-1.amazonaws.com/b22d1166-efda-45e8-979e-6c3ecfc566fc/houses_poly.csv') print(df.head())
Далі створимо діаграму розсіювання для цих даних:
12345678import 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_poly.csv') X = df['age'] y = df['price'] plt.scatter(X, y, alpha=0.4) plt.show()
Підбір прямої до цих даних може бути не найкращим вибором. Ціна зростає як для зовсім нових, так і для дуже старих будинків. Підбір параболи виглядає кращим варіантом. Саме це ви й зробите у цьому завданні.
Але перед початком згадайте клас PolynomialFeatures.
fit_transform(X) вимагає, щоб X був двовимірним масивом (або DataFrame).
Використання X = df[['column_name']] забезпечить відповідність X для fit_transform().
Якщо у вас є одновимірний масив, використовуйте .reshape(-1, 1), щоб створити двовимірний масив з тим самим вмістом.
Завдання — побудова поліноміальної регресії другого ступеня з використанням PolynomialFeatures та OLS.
Swipe to start coding
- Призначити змінну
Xяк DataFrame, що містить стовпець'age'. - Створити матрицю
X_tildeза допомогою класуPolynomialFeatures. - Побудувати та навчити модель поліноміальної регресії.
- Змінити форму
X_newна двовимірний масив. - Передобробити
X_newтак само, як іX. - Вивести параметри моделі.
Рішення
Дякуємо за ваш відгук!
single
Запитати АІ
Запитати АІ
Запитайте про що завгодно або спробуйте одне із запропонованих запитань, щоб почати наш чат
How do I use PolynomialFeatures to transform the 'age' feature?
Can you guide me through fitting a polynomial regression model with OLS?
What does the output of PolynomialFeatures look like for this dataset?
Awesome!
Completion rate improved to 5.26Завдання: Оцінювання Моделі
Свайпніть щоб показати меню
У цьому завданні вам надається добре відомий набір даних про житло, але цього разу лише з ознакою 'age'.
1234import pandas as pd df = pd.read_csv('https://codefinity-content-media.s3.eu-west-1.amazonaws.com/b22d1166-efda-45e8-979e-6c3ecfc566fc/houses_poly.csv') print(df.head())
Далі створимо діаграму розсіювання для цих даних:
12345678import 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_poly.csv') X = df['age'] y = df['price'] plt.scatter(X, y, alpha=0.4) plt.show()
Підбір прямої до цих даних може бути не найкращим вибором. Ціна зростає як для зовсім нових, так і для дуже старих будинків. Підбір параболи виглядає кращим варіантом. Саме це ви й зробите у цьому завданні.
Але перед початком згадайте клас PolynomialFeatures.
fit_transform(X) вимагає, щоб X був двовимірним масивом (або DataFrame).
Використання X = df[['column_name']] забезпечить відповідність X для fit_transform().
Якщо у вас є одновимірний масив, використовуйте .reshape(-1, 1), щоб створити двовимірний масив з тим самим вмістом.
Завдання — побудова поліноміальної регресії другого ступеня з використанням PolynomialFeatures та OLS.
Swipe to start coding
- Призначити змінну
Xяк DataFrame, що містить стовпець'age'. - Створити матрицю
X_tildeза допомогою класуPolynomialFeatures. - Побудувати та навчити модель поліноміальної регресії.
- Змінити форму
X_newна двовимірний масив. - Передобробити
X_newтак само, як іX. - Вивести параметри моделі.
Рішення
Перейдіть на комп'ютер для реальної практикиПродовжуйте з того місця, де ви зупинились, використовуючи один з наведених нижче варіантівДякуємо за ваш відгук!
single
