Aprenda Desafio: Avaliando o Modelo | Regressão Polinomial

Neste desafio, você receberá o tradicional conjunto de dados de habitação, mas desta vez apenas com a variável 'age'.


              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())

Em seguida, será criado um gráfico de dispersão para esses dados:


              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()

Uma linha reta é um ajuste inadequado aqui: os preços aumentam tanto para casas muito novas quanto para casas muito antigas. Uma parábola modela essa tendência de forma mais adequada — é isso que será construído neste desafio.

Mas antes de começar, revise a classe PolynomialFeatures.

fit_transform(X) requer um array 2-D ou DataFrame. Utilize df[['col']] ou, para um array 1-D, aplique .reshape(-1, 1) para convertê-lo em 2-D.

O objetivo é construir uma Regressão Polinomial de grau 2 utilizando PolynomialFeatures e OLS.

Tarefa

Swipe to start coding

Atribua a variável X a um DataFrame contendo a coluna 'age'.
Crie uma matriz X_tilde utilizando a classe PolynomialFeatures.
Construa e treine um modelo de Regressão Polinomial.
Redimensione X_new para ser um array 2-D.
Pré-processe X_new da mesma forma que X.
Imprima os parâmetros do modelo.

Solução

Tudo estava claro?

Obrigado pelo seu feedback!

Seção 3. Capítulo 5

single

Pergunte à IA

Pergunte o que quiser ou experimente uma das perguntas sugeridas para iniciar nosso bate-papo

Deslize para mostrar o menu