Repaso: alquiler de bicicletas

Parte de la sección Aprendizaje supervisado del Journey de Machine Learning de Coddy. Lección 15 de 58.

Desafío

Intermedio

El sistema de bicicletas compartidas de una ciudad planifica su flota según el pronóstico del tiempo. bike_days.csv contiene 120 días: temp_c, humidity, wind_kmh, weekend (1 o 0) y rentals.

Reserva un trimestre para las pruebas (random_state=0) y ajusta una LinearRegression de los alquileres en función de las cuatro features.
Imprime el MAE de prueba (alquileres enteros), el R cuadrado (3 decimales) y el peso de la temperatura (1 decimal).
Representa los residuos de prueba frente a temp_c sobre una línea discontinua en 0. Ponle el título Misses by Temperature y etiqueta los ejes Temperature (C) y Residual (rentals).

El informe de otra ciudad:

Typical miss: 187 rentals a day
R squared: 0.512
Each extra degree adds 21.4 rentals

Residuos de otra ciudad frente a la temperatura: 30 puntos alrededor de una línea discontinua en cero, bajos en los días fríos, altos en los días templados alrededor de los 18 grados y bajos de nuevo en los días más calurosos

Después, Coddy describe tu gráfico. ¿Qué le indica al sistema sobre los días calurosos?

Pruébalo tú mismo

import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
from sklearn.model_selection import train_test_split
from sklearn.linear_model import LinearRegression
from sklearn.metrics import mean_absolute_error, r2_score

days = pd.read_csv("bike_days.csv")
features = ["temp_c", "humidity", "wind_kmh", "weekend"]

# Escribe tu código a continuación