Revisão: aluguel de bicicletas

Parte da seção Aprendizado supervisionado do Journey de Machine Learning da Coddy. Lição 15 de 58.

Desafio

Médio

O sistema de bicicletas compartilhadas de uma cidade planeja sua frota com base na previsão do tempo. bike_days.csv contém 120 dias: temp_c, humidity, wind_kmh, weekend (1 ou 0) e rentals.

Separe um trimestre para teste (random_state=0) e ajuste uma LinearRegression de aluguéis usando os quatro features.
Imprima o MAE do conjunto de teste (aluguéis inteiros), o R quadrado (3 casas decimais) e o peso da temperatura (1 casa decimal).
Faça um gráfico de dispersão dos resíduos do conjunto de teste em relação a temp_c, sobre uma linha tracejada em 0. Dê a ele o título Misses by Temperature; nomeie os eixos Temperature (C) e Residual (rentals).

O relatório de outra cidade:

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

Resíduos de outra cidade em relação à temperatura: 30 pontos em torno de uma linha tracejada no zero, baixos nos dias frios, altos nos dias amenos em torno de 18 graus e baixos novamente nos dias mais quentes

Então, Coddy descreve seu gráfico. O que ele diz ao sistema sobre os dias quentes?

Experimente você mesmo

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"]

# Escreva seu código abaixo