Desafío: Evaluación del Modelo
En este desafío, se te proporciona el conocido conjunto de datos de viviendas, pero esta vez solo con la característica '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())
A continuación, se creará un diagrama de dispersión para estos datos:
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()
Una línea recta es un ajuste deficiente aquí: los precios aumentan tanto para casas muy nuevas como para casas muy antiguas. Una parábola modela mejor esta tendencia; eso es lo que construirás en este desafío.
Pero antes de comenzar, recuerda la clase PolynomialFeatures.
fit_transform(X) requiere un arreglo o DataFrame bidimensional. Utiliza df[['col']] o, para un arreglo unidimensional, aplica .reshape(-1, 1) para convertirlo en bidimensional.
El objetivo es construir una regresión polinómica de grado 2 utilizando PolynomialFeatures y OLS.
Swipe to start coding
- Asignar la variable
Xa un DataFrame que contenga la columna'age'. - Crear una matriz
X_tildeutilizando la clasePolynomialFeatures. - Construir y entrenar un modelo de Regresión Polinómica.
- Redimensionar
X_newpara que sea un arreglo bidimensional. - Preprocesar
X_newde la misma manera queX. - Imprimir los parámetros del modelo.
Solución
¡Gracias por tus comentarios!
single
Pregunte a AI
Pregunte a AI
Pregunte lo que quiera o pruebe una de las preguntas sugeridas para comenzar nuestra charla
How do I use PolynomialFeatures to transform the 'age' column?
Can you guide me through building a polynomial regression model with OLS?
What does the output of PolynomialFeatures look like for this dataset?
Genial!
Completion tasa mejorada a 5.26Desafío: Evaluación del Modelo
Desliza para mostrar el menú
En este desafío, se te proporciona el conocido conjunto de datos de viviendas, pero esta vez solo con la característica '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())
A continuación, se creará un diagrama de dispersión para estos datos:
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()
Una línea recta es un ajuste deficiente aquí: los precios aumentan tanto para casas muy nuevas como para casas muy antiguas. Una parábola modela mejor esta tendencia; eso es lo que construirás en este desafío.
Pero antes de comenzar, recuerda la clase PolynomialFeatures.
fit_transform(X) requiere un arreglo o DataFrame bidimensional. Utiliza df[['col']] o, para un arreglo unidimensional, aplica .reshape(-1, 1) para convertirlo en bidimensional.
El objetivo es construir una regresión polinómica de grado 2 utilizando PolynomialFeatures y OLS.
Swipe to start coding
- Asignar la variable
Xa un DataFrame que contenga la columna'age'. - Crear una matriz
X_tildeutilizando la clasePolynomialFeatures. - Construir y entrenar un modelo de Regresión Polinómica.
- Redimensionar
X_newpara que sea un arreglo bidimensional. - Preprocesar
X_newde la misma manera queX. - Imprimir los parámetros del modelo.
Solución
Cambia al escritorio para practicar en el mundo realContinúe desde donde se encuentra utilizando una de las siguientes opciones¡Gracias por tus comentarios!
single
