Più caratteristiche

Fa parte della sezione Apprendimento supervisionato del percorso Machine Learning di Coddy. Lezione 12 di 58.

Il prezzo di una casa dipende da più fattori delle sue dimensioni: una lunga passeggiata fino alla stazione lo abbassa. Imparando da entrambi i fattori, un modello traccia rette parallele:

Dieci case rappresentate come punti, prezzo rispetto alla superficie: le case vicine alla stazione in blu, quelle lontane come quadrati arancioni. Due rette parallele del modello, per una passeggiata di 5 e di 25 minuti; la retta dei 25 minuti si trova 102 mila dollari più in basso a ogni superficie

Nel codice, X ottiene entrambe le colonne e coef_ un peso per ogni caratteristica:

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

Questo stampa:

[ 2.6 -5.1]

I pesi seguono le colonne di X. Ogni m² in più aggiunge 2,6 mila dollari; ogni minuto in più di cammino ne toglie 5,1 mila, mantenendo invariata l'altra caratteristica.

L'unità di un peso è l'unità del target per unità della sua caratteristica: migliaia per m², per minuto.

Sfida

Medio

Un catering elabora preventivi per nuovi eventi basandosi su 40 eventi passati in events.csv: guests, courses, months_ahead (quanto tempo prima è stato prenotato) e cost in dollari. Il codice iniziale legge un nuovo evento in new_event.

Addestra un modello LinearRegression del costo sulle features.
Per ogni caratteristica, stampa quanto aggiunge o sottrae un'unità in più (2 decimali).
Stampa il preventivo per il nuovo evento (2 decimali).

Per un altro catering:

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

Provalo tu

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

# Una riga per ogni evento passato: invitati, portate, mesi di anticipo della prenotazione, costo in dollari
events = pd.read_csv("events.csv")
features = ["guests", "courses", "months_ahead"]
units = ["guest", "course", "month booked ahead"]
# Il nuovo evento, come tabella con una sola riga
guests = int(input())
courses = int(input())
months = int(input())
new_event = pd.DataFrame({"guests": [guests], "courses": [courses], "months_ahead": [months]})

# Scrivi il tuo codice qui sotto