Notice: This page requires JavaScript to function properly.
Please enable JavaScript in your browser settings or update your browser.
Вивчайте Завдання: Оцінювання Моделі | Поліноміальна Регресія
Лінійна Регресія з Python

bookЗавдання: Оцінювання Моделі

У цьому завданні вам надається добре відомий набір даних про житло, але цього разу лише з ознакою 'age'.

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_poly.csv') print(df.head())
copy

Далі побудуємо діаграму розсіювання для цих даних:

12345678
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_poly.csv') X = df['age'] y = df['price'] plt.scatter(X, y, alpha=0.4) plt.show()
copy

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.

Завдання

Swipe to start coding

  1. Призначення змінної X як DataFrame, що містить стовпець 'age'.
  2. Створення матриці X_tilde за допомогою класу PolynomialFeatures.
  3. Побудова та навчання моделі поліноміальної регресії.
  4. Зміна форми X_new до двовимірного масиву.
  5. Попередня обробка X_new так само, як і X.
  6. Виведення параметрів моделі.

Рішення

Все було зрозуміло?

Як ми можемо покращити це?

Дякуємо за ваш відгук!

Секція 3. Розділ 5
single

single

Запитати АІ

expand

Запитати АІ

ChatGPT

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

close

Awesome!

Completion rate improved to 5.26

bookЗавдання: Оцінювання Моделі

Свайпніть щоб показати меню

У цьому завданні вам надається добре відомий набір даних про житло, але цього разу лише з ознакою 'age'.

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_poly.csv') print(df.head())
copy

Далі побудуємо діаграму розсіювання для цих даних:

12345678
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_poly.csv') X = df['age'] y = df['price'] plt.scatter(X, y, alpha=0.4) plt.show()
copy

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.

Завдання

Swipe to start coding

  1. Призначення змінної X як DataFrame, що містить стовпець 'age'.
  2. Створення матриці X_tilde за допомогою класу PolynomialFeatures.
  3. Побудова та навчання моделі поліноміальної регресії.
  4. Зміна форми X_new до двовимірного масиву.
  5. Попередня обробка X_new так само, як і X.
  6. Виведення параметрів моделі.

Рішення

Switch to desktopПерейдіть на комп'ютер для реальної практикиПродовжуйте з того місця, де ви зупинились, використовуючи один з наведених нижче варіантів
Все було зрозуміло?

Як ми можемо покращити це?

Дякуємо за ваш відгук!

close

Awesome!

Completion rate improved to 5.26
Секція 3. Розділ 5
single

single

some-alt