In der Welt der Immobilien h?ngt die Bestimmung der Immobilienpreise von zahlreichen Faktoren ab, von Lage und Gr??e bis hin zu Ausstattung und Markttrends. Die einfache lineare Regression, eine grundlegende Technik des maschinellen Lernens, bietet eine praktische M?glichkeit, Immobilienpreise basierend auf Schlüsselmerkmalen wie der Anzahl der Zimmer oder der Quadratmeterzahl vorherzusagen.
In diesem Artikel besch?ftige ich mich mit dem Prozess der Anwendung einer einfachen linearen Regression auf einen Wohnungsdatensatz, von der Datenvorverarbeitung und Funktionsauswahl bis hin zum Aufbau eines Modells, das wertvolle Einblicke in die Preise bieten kann. Egal, ob Sie neu in der Datenwissenschaft sind oder Ihr Verst?ndnis vertiefen m?chten, dieses Projekt dient als praktische Erkundung, wie datengesteuerte Vorhersagen zu intelligenteren Immobilienentscheidungen führen k?nnen.
Das Wichtigste zuerst: Sie beginnen mit dem Importieren Ihrer Bibliotheken:
import pandas as pd import seaborn as sns import numpy as np import matplotlib.pyplot as plt
#Read from the directory where you stored the data
data = pd.read_csv('/kaggle/input/california-housing-prices/housing.csv')
data
#Test to see if there arent any null values data.info()
#Trying to draw the same number of null values data.dropna(inplace = True)
data.info()
#From our data, we are going to train and test our data from sklearn.model_selection import train_test_split X = data.drop(['median_house_value'], axis = 1) y = data['median_house_value']
y
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size = 0.2)
#Examining correlation between x and y training data train_data = X_train.join(y_train)
train_data
#Visualizing the above train_data.hist(figsize=(15, 8))
#Encoding non-numeric columns to see if they are useful and categorical for analysis train_data_encoded = pd.get_dummies(train_data, drop_first=True) correlation_matrix = train_data_encoded.corr() print(correlation_matrix)
train_data_encoded.corr()
plt.figure(figsize=(15,8)) sns.heatmap(train_data_encoded.corr(), annot=True, cmap = "inferno")
import pandas as pd import seaborn as sns import numpy as np import matplotlib.pyplot as plt
#Read from the directory where you stored the data
data = pd.read_csv('/kaggle/input/california-housing-prices/housing.csv')
data
ocean_proximity
INLAND 5183
NEAR OCEAN 2108
IN DER N?HE VON BAY 1783
INSEL 5
Name: count, dtype: int64
#Test to see if there arent any null values data.info()
#Trying to draw the same number of null values data.dropna(inplace = True)
data.info()
#From our data, we are going to train and test our data from sklearn.model_selection import train_test_split X = data.drop(['median_house_value'], axis = 1) y = data['median_house_value']
y
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size = 0.2)
#Examining correlation between x and y training data train_data = X_train.join(y_train)
train_data
#Visualizing the above train_data.hist(figsize=(15, 8))
#Encoding non-numeric columns to see if they are useful and categorical for analysis train_data_encoded = pd.get_dummies(train_data, drop_first=True) correlation_matrix = train_data_encoded.corr() print(correlation_matrix)
train_data_encoded.corr()
plt.figure(figsize=(15,8)) sns.heatmap(train_data_encoded.corr(), annot=True, cmap = "inferno")
train_data['total_rooms'] = np.log(train_data['total_rooms'] + 1) train_data['total_bedrooms'] = np.log(train_data['total_bedrooms'] +1) train_data['population'] = np.log(train_data['population'] + 1) train_data['households'] = np.log(train_data['households'] + 1)
train_data.hist(figsize=(15, 8))
0,5092972905670141
#convert ocean_proximity factors into binary's using one_hot_encoding train_data.ocean_proximity.value_counts()
#For each feature of the above we will then create its binary(0 or 1) pd.get_dummies(train_data.ocean_proximity)
0,4447616558596853
#Dropping afterwards the proximity train_data = train_data.join(pd.get_dummies(train_data.ocean_proximity)).drop(['ocean_proximity'], axis=1)
train_data
#recheck for correlation plt.figure(figsize=(18, 8)) sns.heatmap(train_data.corr(), annot=True, cmap ='twilight')
0,5384474921332503
Ich würde wirklich sagen, dass das Trainieren einer Maschine nicht der einfachste Prozess ist, aber um die oben genannten Ergebnisse weiter zu verbessern, k?nnen Sie weitere Funktionen unter dem param_grid hinzufügen, wie z. B. das min_feature, und auf diese Weise kann sich Ihr bester Sch?tzerwert weiter verbessern.
Wenn Sie bis hierher gekommen sind, liken und teilen Sie bitte Ihren Kommentar unten, Ihre Meinung ist wirklich wichtig. Vielen Dank!????
Das obige ist der detaillierte Inhalt vonHauspreisvorhersage. Für weitere Informationen folgen Sie bitte anderen verwandten Artikeln auf der PHP chinesischen Website!
Hei?e KI -Werkzeuge
Undress AI Tool
Ausziehbilder kostenlos
Undresser.AI Undress
KI-gestützte App zum Erstellen realistischer Aktfotos
AI Clothes Remover
Online-KI-Tool zum Entfernen von Kleidung aus Fotos.
Clothoff.io
KI-Kleiderentferner
Video Face Swap
Tauschen Sie Gesichter in jedem Video mühelos mit unserem v?llig kostenlosen KI-Gesichtstausch-Tool aus!
Hei?er Artikel
Hei?e Werkzeuge
Notepad++7.3.1
Einfach zu bedienender und kostenloser Code-Editor
SublimeText3 chinesische Version
Chinesische Version, sehr einfach zu bedienen
Senden Sie Studio 13.0.1
Leistungsstarke integrierte PHP-Entwicklungsumgebung
Dreamweaver CS6
Visuelle Webentwicklungstools
SublimeText3 Mac-Version
Codebearbeitungssoftware auf Gottesniveau (SublimeText3)
Wie man mit der API -Authentifizierung in Python umgeht
Jul 13, 2025 am 02:22 AM
Der Schlüssel zum Umgang mit der API -Authentifizierung besteht darin, die Authentifizierungsmethode korrekt zu verstehen und zu verwenden. 1. Apikey ist die einfachste Authentifizierungsmethode, die normalerweise in den Anforderungsheader- oder URL -Parametern platziert ist. 2. BasicAuth verwendet Benutzername und Kennwort für die Basis64 -Codierungsübertragung, die für interne Systeme geeignet ist. 3.. OAuth2 muss das Token zuerst über Client_id und Client_secret erhalten und dann das BearerToken in den Anforderungsheader bringen. V. Kurz gesagt, die Auswahl der entsprechenden Methode gem?? dem Dokument und das sichere Speichern der Schlüsselinformationen ist der Schlüssel.
Wie man über zwei Listen gleichzeitig python iteriert
Jul 09, 2025 am 01:13 AM
Eine gemeinsame Methode, um zwei Listen gleichzeitig in Python zu durchqueren, besteht darin, die Funktion ZIP () zu verwenden, die mehrere Listen in der Reihenfolge und die kürzeste ist. Wenn die Listenl?nge inkonsistent ist, k?nnen Sie iTertools.zip_longest () verwenden, um die l?ngste zu sein und die fehlenden Werte auszufüllen. In Kombination mit Enumerate () k?nnen Sie den Index gleichzeitig erhalten. 1.zip () ist pr?gnant und praktisch, geeignet für die Iteration gepaarte Daten; 2.zip_longest () kann den Standardwert beim Umgang mit inkonsistenten L?ngen einfüllen. 3.Enumerate (ZIP ()) kann w?hrend des Durchlaufens Indizes erhalten und die Bedürfnisse einer Vielzahl komplexer Szenarien erfüllen.
Was sind Python -Iteratoren?
Jul 08, 2025 am 02:56 AM
INPYTHON, ITERATORATORSAROBJECTSHATALWOULOUPING ThroughCollections Byimplementing__iter __ () und __Next __ (). 1) IteratorsworkviATheiterProtocol, verwendete __iter __ () toreturn thiteratorand__Next __ () torethentexteemtemuntemuntilstoperationSaised.2) und
Python Fastapi Tutorial
Jul 12, 2025 am 02:42 AM
Um moderne und effiziente APIs mit Python zu schaffen, wird Fastapi empfohlen. Es basiert auf Eingabeaufforderungen an Standardpython -Typ und kann automatisch Dokumente mit ausgezeichneter Leistung generieren. Nach der Installation von Fastapi und ASGI Server Uvicorn k?nnen Sie Schnittstellencode schreiben. Durch das Definieren von Routen, das Schreiben von Verarbeitungsfunktionen und die Rückgabe von Daten kann schnell APIs erstellt werden. Fastapi unterstützt eine Vielzahl von HTTP -Methoden und bietet automatisch generierte Swaggerui- und Redoc -Dokumentationssysteme. URL -Parameter k?nnen durch Pfaddefinition erfasst werden, w?hrend Abfrageparameter durch Einstellen von Standardwerten für Funktionsparameter implementiert werden k?nnen. Der rationale Einsatz pydantischer Modelle kann dazu beitragen, die Entwicklungseffizienz und Genauigkeit zu verbessern.
Wie man eine API mit Python testet
Jul 12, 2025 am 02:47 AM
Um die API zu testen, müssen Sie Pythons Anfragebibliothek verwenden. In den Schritten werden die Bibliothek installiert, Anfragen gesendet, Antworten überprüfen, Zeitüberschreitungen festlegen und erneut werden. Installieren Sie zun?chst die Bibliothek über PipinstallRequests. Verwenden Sie dann Requests.get () oder Requests.Post () und andere Methoden zum Senden von GET- oder Post -Anfragen. überprüfen Sie dann die Antwort. Fügen Sie schlie?lich Zeitüberschreitungsparameter hinzu, um die Zeitüberschreitungszeit festzulegen, und kombinieren Sie die Wiederholungsbibliothek, um eine automatische Wiederholung zu erreichen, um die Stabilit?t zu verbessern.
Python variabler Umfang in Funktionen
Jul 12, 2025 am 02:49 AM
In Python sind Variablen, die in einer Funktion definiert sind, lokale Variablen und sind nur innerhalb der Funktion gültig. Extern definiert sind globale Variablen, die überall gelesen werden k?nnen. 1. lokale Variablen werden zerst?rt, wenn die Funktion ausgeführt wird. 2. Die Funktion kann auf globale Variablen zugreifen, kann jedoch nicht direkt ge?ndert werden, sodass das globale Schlüsselwort erforderlich ist. 3. Wenn Sie die ?u?eren Funktionsvariablen in verschachtelten Funktionen ?ndern m?chten, müssen Sie das nichtlokale Schlüsselwort verwenden. 4.. Variablen mit demselben Namen beeinflussen sich in verschiedenen Bereichen nicht gegenseitig; 5. Global muss bei der Modifizierung globaler Variablen deklariert werden, ansonsten werden ungebundener Fehler aufgeworfen. Das Verst?ndnis dieser Regeln hilft bei der Vermeidung von Fehler und zum Schreiben zuverl?ssigerer Funktionen.
Wie man eine HTML -Tabelle mit Python und Pandas analysiert
Jul 10, 2025 pm 01:39 PM
Ja, Sie k?nnen HTML -Tabellen mit Python und Pandas analysieren. Verwenden Sie zun?chst die Funktion pandas.read_html (), um die Tabelle zu extrahieren, mit der HTML -Elemente in einer Webseite oder in einer String in eine DataFrame -Liste analysiert werden k?nnen. Wenn die Tabelle dann keinen klaren Spalten -Titel hat, kann sie behoben werden, indem die Header -Parameter angegeben oder das Attribut für Columns manuell festgelegt werden. Für komplexe Seiten k?nnen Sie die Anfragebibliothek kombinieren, um HTML -Inhalte zu erhalten, oder die BeautifulSoup verwenden, um bestimmte Tabellen zu lokalisieren. Achten Sie auf gemeinsame Fallstricke wie JavaScript-Rendering, Codierungsprobleme und Multi-Table-Erkennung.
Zugang zu verschachtelten JSON -Objekt in Python
Jul 11, 2025 am 02:36 AM
Der Weg zum Zugang zu verschachtelten JSON -Objekten in Python besteht darin, zuerst die Struktur zu kl?ren und dann Schicht für Schicht zu indexieren. Best?tigen Sie zun?chst die hierarchische Beziehung von JSON, wie ein W?rterbuch verschachtelter W?rterbuch oder Liste; Verwenden Sie dann W?rterbuchschlüssel und Listenindex, um auf Ebene für Schicht zuzugreifen, z. B. Daten "Details" ["Zip"], um die ZIP -Codierung zu erhalten, Daten "Details" [0], um das erste Hobby zu erhalten. Um KeyError und IndexError zu vermeiden, kann der Standardwert durch die Methode .get () festgelegt werden, oder die Kapselungsfunktion Safe_get kann verwendet werden, um einen sicheren Zugriff zu erzielen. Für komplexe Strukturen suchen Sie rekursiv oder verwenden Sie Bibliotheken von Drittanbietern wie JMespath.
