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 побудуємо 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 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
.
Метод fit_transform(X)
вимагає, щоб X
був двовимірним масивом (або DataFrame).
Використання X = df[['column_name']]
підготує ваш X
для fit_transform()
.
Якщо у вас є одномірний масив, використовуйте .reshape(-1, 1)
, щоб створити двовимірний масив з тим самим вмістом.
Завдання полягає у побудові поліноміальної регресії другого ступеня з використанням PolynomialFeatures
та OLS
.
Swipe to start coding
- Призначення змінної
X
як DataFrame, що містить стовпець'age'
. - Створення матриці
X_tilde
за допомогою класуPolynomialFeatures
. - Побудова та навчання моделі поліноміальної регресії.
- Зміна форми
X_new
до двовимірного масиву. - Попередня обробка
X_new
так само, як іX
. - Виведення параметрів 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
Awesome!
Completion rate improved to 5.26
Завдання: 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 побудуємо 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 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
.
Метод fit_transform(X)
вимагає, щоб X
був двовимірним масивом (або DataFrame).
Використання X = df[['column_name']]
підготує ваш X
для fit_transform()
.
Якщо у вас є одномірний масив, використовуйте .reshape(-1, 1)
, щоб створити двовимірний масив з тим самим вмістом.
Завдання полягає у побудові поліноміальної регресії другого ступеня з використанням PolynomialFeatures
та OLS
.
Swipe to start coding
- Призначення змінної
X
як DataFrame, що містить стовпець'age'
. - Створення матриці
X_tilde
за допомогою класуPolynomialFeatures
. - Побудова та навчання моделі поліноміальної регресії.
- Зміна форми
X_new
до двовимірного масиву. - Попередня обробка
X_new
так само, як іX
. - Виведення параметрів моделі.
Рішення
Дякуємо за ваш відгук!
Awesome!
Completion rate improved to 5.26single