Özet: Bisiklet Kiralama

Coddy'nin Machine Learning Journey'sinin Denetimli Öğrenme bölümünün bir parçası. Ders 15 / 58.

Görev

Orta

Bir şehrin bisiklet paylaşım sistemi, filosunu hava tahminine göre planlıyor. bike_days.csv dosyası 120 günlük veriyi içeriyor: temp_c, humidity, wind_kmh, weekend (1 veya 0) ve rentals.

Bir test çeyreğini ayır (random_state=0) ve dört features üzerinden kiralama sayısını tahmin etmek için bir LinearRegression modeli eğit.
Test MAE değerini (tam sayı kiralama), R kare değerini (3 ondalık basamak) ve sıcaklık ağırlığını (1 ondalık basamak) yazdır.
Test artıklarını, 0'da kesikli bir çizginin üzerinde temp_c değerlerine karşı dağılım grafiğinde göster. Başlığı Misses by Temperature yap; eksenleri Temperature (C) ve Residual (rentals) olarak etiketle.

Başka bir şehrin raporu:

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

Başka bir şehrin sıcaklığa karşı artıkları: kesikli sıfır çizgisinin çevresinde 30 nokta; soğuk günlerde düşük, 18 derece civarındaki ılık günlerde yüksek, en sıcak günlerde tekrar düşük

Ardından Coddy grafiğini açıklıyor. Bu grafik, sisteme sıcak günler hakkında ne anlatıyor?

Kendin dene

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"]

# Kodunuzu aşağıya yazın