Riepilogo: noleggio di biciclette

Fa parte della sezione Apprendimento supervisionato del percorso Machine Learning di Coddy. Lezione 15 di 58.

Sfida

Medio

Il servizio di biciclette di una città pianifica la propria flotta in base alle previsioni meteorologiche. bike_days.csv contiene 120 giorni: temp_c, humidity, wind_kmh, weekend (1 o 0) e rentals.

Metti da parte un trimestre di test (random_state=0) e addestra una LinearRegression di rentals sulle quattro features.
Stampa la MAE del test (noleggi interi), l'R quadrato (3 decimali) e il peso della temperatura (1 decimale).
Rappresenta con un grafico a dispersione i residui del test rispetto a temp_c, sopra una linea tratteggiata a 0. Intitolalo Misses by Temperature; etichetta gli assi Temperature (C) e Residual (rentals).

Il resoconto di un'altra città:

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

Residui di un'altra città rispetto alla temperatura: 30 punti attorno a una linea tratteggiata a zero, bassi nelle giornate fredde, alti nelle giornate miti attorno ai 18 gradi e di nuovo bassi nelle giornate più calde

Quindi Coddy descrive il tuo grafico. Cosa indica al servizio riguardo alle giornate calde?

Provalo tu

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"]

# Scrivi il tuo codice qui sotto