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 легше 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 підходить до наявних даних; вона покаже тенденцію. Для цього слід використовувати клас OLS. Незабаром ми дізнаємося, як додати більше ознак, що покращить прогнозування!

Завдання

Swipe to start coding

Призначити стовпець 'price' з df змінній y.
Створити матрицю X_tilde за допомогою функції add_constant() з пакету statsmodels (імпортовано як sm).
Ініціалізувати об'єкт OLS та навчити його.
Попередньо обробити масив X_new так само, як і X.
Здійснити прогноз цільової змінної для матриці X_new_tilde.

Рішення

Все було зрозуміло?

Дякуємо за ваш відгук!

Секція 1. Розділ 5

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())

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 легше уявити лінію, яка добре підходить до даних.

Завдання

Swipe to start coding

Призначити стовпець 'price' з df змінній y.
Створити матрицю X_tilde за допомогою функції add_constant() з пакету statsmodels (імпортовано як sm).
Ініціалізувати об'єкт OLS та навчити його.
Попередньо обробити масив X_new так само, як і X.
Здійснити прогноз цільової змінної для матриці X_new_tilde.

Рішення

Перейдіть на комп'ютер для реальної практикиПродовжуйте з того місця, де ви зупинились, використовуючи один з наведених нижче варіантів

Все було зрозуміло?

Дякуємо за ваш відгук!

Секція 1. Розділ 5

single

Завдання: Прогнозування Цін на Житло

Рішення

Awesome!

Завдання: Прогнозування Цін на Житло

Рішення

Awesome!