Récapitulatif : locations de vélos

Fait partie de la section Apprentissage supervisé du Journey Machine Learning de Coddy. Leçon 15 sur 58.

Défi

Moyen

Le système de vélos en libre-service d'une ville planifie sa flotte à partir des prévisions météorologiques. bike_days.csv contient 120 jours : temp_c, humidity, wind_kmh, weekend (1 ou 0) et rentals.

Mettez de côté un quart des données pour les tests (random_state=0) et ajustez une LinearRegression des locations en fonction des quatre features.
Affichez la MAE sur les données de test (locations entières), le R au carré (3 décimales) et le coefficient associé à la température (1 décimale).
Tracez les résidus des données de test en fonction de temp_c, avec une ligne en pointillés à 0. Donnez-lui le titre Misses by Temperature ; nommez les axes Temperature (C) et Residual (rentals).

Le rapport d'une autre ville :

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

Résidus d'une autre ville en fonction de la température : 30 points autour d'une ligne zéro en pointillés, faibles par temps froid, élevés par temps doux autour de 18 degrés, puis de nouveau faibles les jours les plus chauds

Ensuite, Coddy décrit votre graphique. Que révèle-t-il au système sur les journées chaudes ?

Essayez vous-même

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"]

# Écrivez votre code ci-dessous