Prédire les Prix en Utilisant Deux Caractéristiques

Pour ce défi, le même jeu de données sur le logement sera utilisé. Cependant, il a maintenant deux caractéristiques : l'âge et la superficie de la maison (colonnes age et square_feet).


              1234
            
import pandas as pd

df = pd.read_csv('https://codefinity-content-media.s3.eu-west-1.amazonaws.com/b22d1166-efda-45e8-979e-6c3ecfc566fc/houseprices.csv')
print(df.head())

Votre tâche est de construire un modèle de régression linéaire multiple en utilisant la classe OLS. De plus, vous imprimerez le tableau récapitulatif pour examiner les valeurs p de chaque caractéristique.

Tâche

Swipe to start coding

Assignez les colonnes 'age' et 'square_feet' de df à X.
Prétraitez X pour le constructeur de classe OLS.
Construisez et entraînez le modèle en utilisant la classe OLS.
Prétraitez le tableau X_new de la même manière que X.
Prédisez la cible pour X_new.
Imprimez le tableau récapitulatif du modèle.

Solution

Si vous avez tout fait correctement, vous avez obtenu des p-valeurs proches de zéro. Cela signifie que toutes nos caractéristiques sont significatives pour le modèle.

Passez à un bureau pour une pratique réelleContinuez d'où vous êtes en utilisant l'une des options ci-dessous

Tout était clair ?

Merci pour vos commentaires !

Section 2. Chapitre 5

Prédire les Prix en Utilisant Deux Caractéristiques

Pour ce défi, le même jeu de données sur le logement sera utilisé. Cependant, il a maintenant deux caractéristiques : l'âge et la superficie de la maison (colonnes age et square_feet).


              1234
            
import pandas as pd

df = pd.read_csv('https://codefinity-content-media.s3.eu-west-1.amazonaws.com/b22d1166-efda-45e8-979e-6c3ecfc566fc/houseprices.csv')
print(df.head())

Tâche

Swipe to start coding

Assignez les colonnes 'age' et 'square_feet' de df à X.
Prétraitez X pour le constructeur de classe OLS.
Construisez et entraînez le modèle en utilisant la classe OLS.
Prétraitez le tableau X_new de la même manière que X.
Prédisez la cible pour X_new.
Imprimez le tableau récapitulatif du modèle.

Solution

Si vous avez tout fait correctement, vous avez obtenu des p-valeurs proches de zéro. Cela signifie que toutes nos caractéristiques sont significatives pour le modèle.

Passez à un bureau pour une pratique réelleContinuez d'où vous êtes en utilisant l'une des options ci-dessous

Tout était clair ?

Merci pour vos commentaires !

Section 2. Chapitre 5

Passez à un bureau pour une pratique réelleContinuez d'où vous êtes en utilisant l'une des options ci-dessous