Notice: This page requires JavaScript to function properly.
Please enable JavaScript in your browser settings or update your browser.Apprendre Évaluer le Modèle | Régression Polynomiale
Régression Linéaire Avec Python
course content

Contenu du cours

Régression Linéaire Avec Python

Régression Linéaire Avec Python

1. Régression Linéaire Simple
Qu'est-ce Que la Régression LinéaireTrouver les ParamètresConstruction de la Régression Linéaire avec NumPyConstruction de la Régression Linéaire avec StatsmodelsPrédire les Prix des Maisons
2. Régression Linéaire Multiple
Régression Linéaire avec Deux CaractéristiquesRégression Linéaire avec n CaractéristiquesConstruction de la Régression Linéaire MultipleChoisir les CaractéristiquesPrédire les Prix en Utilisant Deux Caractéristiques
3. Régression Polynomiale
Régression QuadratiqueRégression PolynomialeConstruction de la Régression PolynomialeInterpolation vs ExtrapolationÉvaluer le Modèle
4. Choisir le Meilleur Modèle
MétriquesSurapprentissageR-CarréPrédire les Prix en Utilisant la Régression Polynomiale

book
Évaluer le Modèle

Dans ce défi, vous recevez l'ancien bon dataset de logement, mais cette fois uniquement avec la caractéristique 'âge'.


              
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

Construisons un nuage de points de ces données.


              
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

Ajuster une ligne droite à ces données peut ne pas être un bon choix. Le prix augmente pour les maisons soit toutes neuves, soit très anciennes. Ajuster une parabole semble être un meilleur choix. Et c'est ce que vous ferez dans ce défi.

Mais avant de commencer, rappelez-vous de la classe PolynomialFeatures.

La méthode fit_transform(X) nécessite que X soit un tableau 2-D (ou un DataFrame).
Utiliser X = df[['column_name']] rendra votre X adapté pour fit_transform().
Et si vous avez un tableau 1-D, utilisez .reshape(-1, 1) pour créer un tableau 2-D avec le même contenu.

La tâche consiste à construire une régression polynomiale de degré 2 en utilisant PolynomialFeatures et OLS.

Tâche

Swipe to start coding

  1. Assignez la variable X à un DataFrame contenant la colonne 'age'.
  2. Créez une matrice X_tilde en utilisant la classe PolynomialFeatures.
  3. Construisez et entraînez un modèle de régression polynomiale.
  4. Remodeler X_new pour qu'il soit un tableau 2-D.
  5. Prétraitez X_new de la même manière que X.
  6. Imprimez les paramètres du modèle.

Solution

Switch to desktopPassez à un bureau pour une pratique réelleContinuez d'où vous êtes en utilisant l'une des options ci-dessous
Tout était clair ?

Comment pouvons-nous l'améliorer ?

Merci pour vos commentaires !

Section 3. Chapitre 5
toggle bottom row

book
Évaluer le Modèle

Dans ce défi, vous recevez l'ancien bon dataset de logement, mais cette fois uniquement avec la caractéristique 'âge'.


              
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

Construisons un nuage de points de ces données.


              
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

Ajuster une ligne droite à ces données peut ne pas être un bon choix. Le prix augmente pour les maisons soit toutes neuves, soit très anciennes. Ajuster une parabole semble être un meilleur choix. Et c'est ce que vous ferez dans ce défi.

Mais avant de commencer, rappelez-vous de la classe PolynomialFeatures.

La méthode fit_transform(X) nécessite que X soit un tableau 2-D (ou un DataFrame).
Utiliser X = df[['column_name']] rendra votre X adapté pour fit_transform().
Et si vous avez un tableau 1-D, utilisez .reshape(-1, 1) pour créer un tableau 2-D avec le même contenu.

La tâche consiste à construire une régression polynomiale de degré 2 en utilisant PolynomialFeatures et OLS.

Tâche

Swipe to start coding

  1. Assignez la variable X à un DataFrame contenant la colonne 'age'.
  2. Créez une matrice X_tilde en utilisant la classe PolynomialFeatures.
  3. Construisez et entraînez un modèle de régression polynomiale.
  4. Remodeler X_new pour qu'il soit un tableau 2-D.
  5. Prétraitez X_new de la même manière que X.
  6. Imprimez les paramètres du modèle.

Solution

Switch to desktopPassez à un bureau pour une pratique réelleContinuez d'où vous êtes en utilisant l'une des options ci-dessous
Tout était clair ?

Comment pouvons-nous l'améliorer ?

Merci pour vos commentaires !

Section 3. Chapitre 5
Switch to desktopPassez à un bureau pour une pratique réelleContinuez d'où vous êtes en utilisant l'une des options ci-dessous
We're sorry to hear that something went wrong. What happened?
some-alt