מספר מאפיינים

חלק מהיחידה למידה מונחית במסלול ה-Machine Learning של Coddy. שיעור 12 מתוך 58.

מחיר של בית תלוי ביותר מאשר בגודל שלו: הליכה ארוכה לתחנה מורידה אותו. מודל שלומד משני הגורמים מצייר קווים מקבילים:

עשרה בתים כנקודות, מחיר לעומת שטח: בתים ליד התחנה בכחול, ובתים רחוקים כריבועים כתומים. שני קווי מודל מקבילים, להליכה של 5 דקות ולהליכה של 25 דקות; קו 25 הדקות נמצא 102 אלף דולר נמוך יותר בכל גודל

בקוד, X מקבל את שתי העמודות ו-coef_ מקבל משקל אחד לכל תכונה:

X = houses[["area_m2", "minutes_walk"]]
model = LinearRegression()
model.fit(X, houses["price"])
print(np.round(model.coef_, 1))

הדבר מדפיס:

[ 2.6 -5.1]

המשקלים תואמים לעמודות של X. כל מ״ר נוסף מוסיף 2.6 אלף דולר; כל דקת הליכה נוספת מורידה 5.1 אלף, כשהמאפיין האחר נשאר קבוע.

היחידה של משקל היא הכמות של היעד לכל יחידה של התכונה שלו: אלפים למ״ר, לדקה.

אתגר

בינוני

ספק שירותי קייטרינג מחשב הצעות מחיר לאירועים חדשים על סמך 40 אירועים קודמים שבקובץ events.csv: guests, courses, months_ahead (כמה זמן מראש הוזמן האירוע) ו-cost בדולרים. קוד הפתיחה קורא את פרטי האירוע החדש לתוך new_event.

התאם מודל LinearRegression של העלות לפי features.
עבור כל מאפיין, הדפס כמה יחידה אחת נוספת מוסיפה או מפחיתה (2 ספרות אחרי הנקודה העשרונית).
הדפס את הצעת המחיר לאירוע החדש (2 ספרות אחרי הנקודה העשרונית).

עבור ספק שירותי קייטרינג אחר:

Each extra guest adds 41.5 dollars
Each extra course adds 198.25 dollars
Each extra month booked ahead takes off 22.8 dollars
Quote: 4312.6 dollars

נסו בעצמכם

import numpy as np
import pandas as pd
from sklearn.linear_model import LinearRegression

# שורה אחת לכל אירוע קודם: אורחים, מנות, מספר החודשים שבהם הוזמן מראש, עלות בדולרים
events = pd.read_csv("events.csv")
features = ["guests", "courses", "months_ahead"]
units = ["guest", "course", "month booked ahead"]
# האירוע החדש, כטבלה עם שורה אחת
guests = int(input())
courses = int(input())
months = int(input())
new_event = pd.DataFrame({"guests": [guests], "courses": [courses], "months_ahead": [months]})

# כתבו את הקוד שלכם למטה