Notice: This page requires JavaScript to function properly.
Please enable JavaScript in your browser settings or update your browser.Lernen Hauspreise Vorhersagen | Einfache Lineare Regression
Lineare Regression mit Python
course content

Kursinhalt

Lineare Regression mit Python

Lineare Regression mit Python

1. Einfache Lineare Regression
Was Ist Lineare RegressionParameter FindenErstellen Einer Linearen Regression Mit NumPyErstellen Einer Linearen Regression mit StatsmodelsHauspreise Vorhersagen
2. Multiple Lineare Regression
Lineare Regression Mit Zwei MerkmalenLineare Regression Mit n MerkmalenErstellen Einer Multiplen Linearen RegressionAuswahl der MerkmalePreise Mit Zwei Merkmalen Vorhersagen
3. Polynomiale Regression
Quadratische RegressionPolynomiale RegressionErstellen Einer Polynomialen RegressionInterpolation vs ExtrapolationDas Modell Bewerten
4. Das Beste Modell Auswählen
MetrikenÜberanpassungR-QuadratPreise mit Polynomialer Regression Vorhersagen

book
Hauspreise Vorhersagen

Lassen Sie uns ein Regressionsmodell für ein reales Beispiel erstellen. Wir haben eine Datei, houses_simple.csv, die Informationen über Immobilienpreise mit der Fläche als Merkmal enthält.


              
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())
copy

Lassen Sie uns Variablen zuweisen und unser Datenset visualisieren!


              
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_simple.csv')
X = df['square_feet']
y = df['price']

plt.scatter(X, y, alpha=0.5)
copy

Im Beispiel mit der Körpergröße einer Person war es viel einfacher, sich eine Linie vorzustellen, die gut zu den Daten passt.
Aber jetzt haben unsere Daten viel mehr Varianz, da das Ziel stark von vielen anderen Dingen wie Alter, Standort, Innenausstattung usw. abhängt.
Dennoch besteht die Aufgabe darin, die Linie zu erstellen, die am besten zu den vorhandenen Daten passt; sie wird den Trend zeigen. Die OLS-Klasse sollte dafür verwendet werden. Bald werden wir lernen, wie man mehr Merkmale hinzufügt, um die Vorhersage zu verbessern!

Aufgabe

Swipe to start coding

  1. Weisen Sie die 'price'-Spalte von df y zu.
  2. Erstellen Sie die X_tilde-Matrix mit der add_constant()-Funktion von statsmodels (importiert als sm).
  3. Initialisieren Sie das OLS-Objekt und trainieren Sie es.
  4. Verarbeiten Sie das X_new-Array auf die gleiche Weise wie X.
  5. Sagen Sie das Ziel für die X_new_tilde-Matrix voraus.

Sobald Sie diese Aufgabe abgeschlossen haben, klicken Sie auf die -Schaltfläche unter dem Code, um Ihre Lösung zu überprüfen.

Lösung

Switch to desktopWechseln Sie zum Desktop, um in der realen Welt zu übenFahren Sie dort fort, wo Sie sind, indem Sie eine der folgenden Optionen verwenden
War alles klar?

Wie können wir es verbessern?

Danke für Ihr Feedback!

Abschnitt 1. Kapitel 5
toggle bottom row

book
Hauspreise Vorhersagen

Lassen Sie uns ein Regressionsmodell für ein reales Beispiel erstellen. Wir haben eine Datei, houses_simple.csv, die Informationen über Immobilienpreise mit der Fläche als Merkmal enthält.


              
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())
copy

Lassen Sie uns Variablen zuweisen und unser Datenset visualisieren!


              
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_simple.csv')
X = df['square_feet']
y = df['price']

plt.scatter(X, y, alpha=0.5)
copy

Im Beispiel mit der Körpergröße einer Person war es viel einfacher, sich eine Linie vorzustellen, die gut zu den Daten passt.
Aber jetzt haben unsere Daten viel mehr Varianz, da das Ziel stark von vielen anderen Dingen wie Alter, Standort, Innenausstattung usw. abhängt.
Dennoch besteht die Aufgabe darin, die Linie zu erstellen, die am besten zu den vorhandenen Daten passt; sie wird den Trend zeigen. Die OLS-Klasse sollte dafür verwendet werden. Bald werden wir lernen, wie man mehr Merkmale hinzufügt, um die Vorhersage zu verbessern!

Aufgabe

Swipe to start coding

  1. Weisen Sie die 'price'-Spalte von df y zu.
  2. Erstellen Sie die X_tilde-Matrix mit der add_constant()-Funktion von statsmodels (importiert als sm).
  3. Initialisieren Sie das OLS-Objekt und trainieren Sie es.
  4. Verarbeiten Sie das X_new-Array auf die gleiche Weise wie X.
  5. Sagen Sie das Ziel für die X_new_tilde-Matrix voraus.

Sobald Sie diese Aufgabe abgeschlossen haben, klicken Sie auf die -Schaltfläche unter dem Code, um Ihre Lösung zu überprüfen.

Lösung

Switch to desktopWechseln Sie zum Desktop, um in der realen Welt zu übenFahren Sie dort fort, wo Sie sind, indem Sie eine der folgenden Optionen verwenden
War alles klar?

Wie können wir es verbessern?

Danke für Ihr Feedback!

Abschnitt 1. Kapitel 5
Switch to desktopWechseln Sie zum Desktop, um in der realen Welt zu übenFahren Sie dort fort, wo Sie sind, indem Sie eine der folgenden Optionen verwenden
We're sorry to hear that something went wrong. What happened?
some-alt