Podsumowanie: wypożyczanie rowerów

Część sekcji Uczenie nadzorowane ścieżki Machine Learning w Coddy. Lekcja 15 z 58.

Wyzwanie

Średni

System rowerów miejskich planuje wielkość floty na podstawie prognozy pogody. Plik bike_days.csv zawiera dane z 120 dni: temp_c, humidity, wind_kmh, weekend (1 lub 0) oraz rentals.

Odłóż jedną czwartą danych na test (random_state=0) i dopasuj model LinearRegression, przewidujący liczbę wypożyczeń na podstawie czterech features.
Wyświetl MAE dla zbioru testowego (całkowita liczba wypożyczeń), R² (3 miejsca po przecinku) oraz wagę temperatury (1 miejsce po przecinku).
Narysuj wykres punktowy reszt dla zbioru testowego względem temp_c, z przerywaną linią na poziomie 0. Nadaj mu tytuł Misses by Temperature; opisz osie jako Temperature (C) i Residual (rentals).

Raport z innego miasta:

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

Reszty z innego miasta względem temperatury: 30 punktów wokół przerywanej linii zerowej; nisko w chłodne dni, wysoko w łagodne dni przy około 18 stopniach, a następnie znów nisko w najgorętsze dni

Następnie Coddy opisuje twój wykres. Co mówi on systemowi o gorących dniach?

Spróbuj swoich sił

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"]

# Napisz swój kod poniżej