используя линейную регрессию, мы создадим модель, которая будет прогнозировать цены на жилье (с исходным кодом)
как и в предыдущей статье, я дал вам введение в линейную регрессию, теперь я расскажу вам, как сделать базовую модель линейной регрессии в этой статье с помощью нескольких строк коды.
Итак, приступим
первый шаг заключается в том, что нам нужно загрузить набор данных, а затем применить набор данных к модели.
вы можете загружать или копировать данные с URL -
импорт библиотек
теперь мы импортируем pandas и NumPy, как указано ниже, если в вашей системе не установлены эти библиотеки, которые вы можете загрузить с помощью команды pip.
импортировать панд как pd
импортировать numpy как np
подготовка данных
теперь мы прочитаемданные с помощью pandas и дадим им имя house, чтобы нам не нужно было вызывать их снова и снова, headcommand мы можем увидеть первые 5 элементов данных, если вы хотите увидеть больше, вы можете ввести число в скобках.
url = ‘https://raw.githubusercontent.com/aviralb13/codes/main/datas/house_prediction(lr).csv’
дом = pd.read_csv(url)
дом.голова()
столбцы расскажут обо всех столбцах, на которые разделены данные.
дом.колонны
теперь нам понадобятся некоторые функции, которые определяютцены нашего дома, поэтому мы создаем список конкретных предметов. мы добавим в список, а вторая переменная — цена, и мы назвали эти переменные как x и y(вы можете добавить свои собственные функции, если тебе нравится ).
features= ['состояние','оценка','год_построения','этажи','кв.м_жилинг']
х = дом [особенности]
у = дом ['цена']
изготовление модели
Теперь мы импортируем модель линейной регрессии из sklearn и протестируем модуль разделения обучения.
из sklearn.linear_model импортировать линейную регрессию
импортировать matplotlib.pyplot как plt
из sklearn.model_selection импорта train_test_split
теперь мы разделимнаши данные на две части обучения и тестирования, обучающий набор данных будет обучать модель, а тест будет вычислять оценку модели, которую мы теперь можемподобрать обучаем набор данных в модель с помощью следующих команд.
train_x, val_x, train_y, val_y = train_test_split(x,y)
linear_model = Линейная регрессия()
linear_model.fit(train_x,train_y)
прогнозирование по модели
теперь нам нужно импортировать модуль средней абсолютной ошибки, который будет вычислять ошибки в модели. средняя абсолютная ошибка — это мера ошибок между парными наблюдениями, отражающими одно и то же явление.
из sklearn.metrics импорта mean_absolute_error
val_predictions = linear_model.predict(val_x)
print(mean_absolute_error(val_y, val_predictions))
и с помощью команды predict вы можете видеть, что мы можем присвоить модели любое значение, чтобы узнать цены, так что здесь вы можете видеть, что я ввел 3,7,1951,2.0,2570это означает.
состояние — 3
класс — 7
год постройки — 1951
этажность — 2
кв.м жилая — 2570
теперь модель предсказывает, что ожидаемая цена продажи дома составляет
625440,43748829 долларов США.
и если вы видите, что я ввел эти конкретные характеристики дома номер один, и теперь мы можем увидеть, какова фактическая цена дома, так что фактическая цена нашего дома равна 538000,0 $.
тем не менее, значение очень близкое, но не точное, поэтому в следующих нескольких статьях я покажу вам, как улучшить точность моделей, и мы можем аналогичным образом предсказать некоторые другие функции, чтобы узнать цены на их дома, которые вы можете перейдите по ссылке, чтобы найти полный код.
вывод
в статье я дал вам информацию и коды о том, как создать простую модель линейной регрессии с исходным кодом. Я буду делать для вас более интересные проекты, так что оставайтесь на связи
