Memprediksi harga rumah dengan waterfront

Anda baru saja melihat bahwa rumah dengan pemandangan waterfront cenderung jauh lebih mahal. Namun, seberapa besar selisihnya? Mari hitung mean kelompok dari log10_price, ubah kembali ke satuan dolar, lalu bandingkan!

Variabel log10_price telah ditambahkan ke house_prices untuk Anda.

Latihan ini merupakan bagian dari kursus

Pemodelan dengan Data di Tidyverse

Latihan interaktif langsung praktik

Cobalah latihan ini dengan melengkapi kode contoh ini.

# Calculate stats
house_prices %>%
  group_by(___) %>%
  summarize(mean_log10_price = ___, n = ___)

Edit dan Jalankan Kode

Latihan ini merupakan bagian dari kursus

Pemodelan dengan Data di Tidyverse

SkillTag.level.intermediateSkillTag.label

4.9+

Mulai Kursus Gratis

Bab ini akan memperkenalkan beberapa teori latar belakang dan istilah dalam pemodelan, khususnya kerangka umum pemodelan, perbedaan antara pemodelan untuk penjelasan dan pemodelan untuk prediksi, serta permasalahan pemodelan. Selain itu, Anda akan mulai melakukan analisis data eksploratori pertama Anda, langkah awal yang krusial sebelum pemodelan formal apa pun.

Exercise 1: Latar belakang pemodelan untuk penjelasan Exercise 2: Visualisasi eksploratif untuk age Exercise 3: Ringkasan numerik untuk age Exercise 4: Latar belakang pemodelan untuk prediksi Exercise 5: Visualisasi eksploratif ukuran rumah Exercise 6: Transformasi log10 untuk ukuran rumah Exercise 7: Permasalahan pemodelan untuk penjelasan Exercise 8: EDA hubungan antara skor pengajaran dan "kecantikan"Exercise 9: Korelasi antara skor pengajaran dan skor "kecantikan"Exercise 10: Masalah pemodelan untuk prediksi Exercise 11: EDA hubungan harga rumah dan waterfront Exercise 12: Memprediksi harga rumah dengan waterfront

Latihan Saat Ini

Berbekal pemahaman Anda tentang kerangka umum pemodelan, pada bab ini kita membahas regresi linear dasar di mana Anda menjaga model tetap sederhana dengan memodelkan variabel luaran y sebagai fungsi dari satu variabel penjelas/prediktor tunggal x. Kita akan menggunakan x numerik maupun kategorikal. Variabel luaran yang menjadi fokus pada bab ini adalah skor evaluasi pengajaran dari para pengajar di University of Texas, Austin.

Exercise 1: Menjelaskan skor pengajaran dengan usia Exercise 2: Memplot garis regresi "paling pas"Exercise 3: Memasang regresi dengan x numerik Exercise 4: Memprediksi skor pengajaran menggunakan usia Exercise 5: Membuat prediksi menggunakan "beauty score"Exercise 6: Menghitung nilai terpasang/terprediksi & residual Exercise 7: Menjelaskan skor pengajaran dengan gender Exercise 8: EDA hubungan antara skor dan jabatan Exercise 9: Memasang regresi dengan x kategorikal Exercise 10: Memprediksi skor pengajaran menggunakan jenis kelamin Exercise 11: Membuat prediksi menggunakan rank Exercise 12: Memvisualisasikan sebaran residual

Pada bab sebelumnya, Anda mempelajari regresi dasar menggunakan satu prediktor numerik atau kategorikal. Namun, mengapa membatasi diri hanya pada satu variabel untuk mendukung penjelasan/prediksi Anda? Kini Anda akan memperluas regresi dasar menjadi regresi berganda, yang memungkinkan penggabungan lebih dari satu variabel penjelas atau prediktor dalam model Anda. Anda akan memodelkan harga rumah menggunakan himpunan data rumah di wilayah metropolitan Seattle, WA.

Exercise 1: Menjelaskan harga rumah dengan tahun & ukuran Exercise 2: EDA hubungan Exercise 3: Memasang regresi Exercise 4: Memprediksi harga rumah menggunakan tahun & ukuran Exercise 5: Membuat prediksi menggunakan ukuran dan jumlah kamar tidur Exercise 6: Menafsirkan residual Exercise 7: Menjelaskan harga rumah dengan ukuran & kondisi Exercise 8: Model kemiringan paralel Exercise 9: Menafsirkan model kemiringan paralel Exercise 10: Memprediksi harga rumah menggunakan ukuran & kondisi Exercise 11: Membuat prediksi menggunakan ukuran dan tepi laut Exercise 12: Mengotomatisasi prediksi pada rumah "baru"

Pada bab-bab sebelumnya, Anda menyesuaikan berbagai model untuk menjelaskan atau memprediksi variabel luaran yang diminati. Namun, bagaimana kita mengetahui model mana yang harus dipilih? Ukuran penilaian model memungkinkan Anda menilai seberapa baik sebuah model penjelasan "menyesuaikan" sekumpulan data atau seberapa akurat sebuah model prediksi. Berdasarkan ukuran tersebut, Anda akan mempelajari kriteria untuk menentukan model mana yang "terbaik".

Exercise 1: Pemilihan dan Penilaian Model Exercise 2: Penyegar: jumlah kuadrat residual Exercise 3: Model mana yang harus dipilih?Exercise 4: Menilai kecocokan model dengan R-squared Exercise 5: Menghitung R-squared dari sebuah model Exercise 6: Membandingkan R-squared dari dua model Exercise 7: Menilai prediksi dengan RMSE Exercise 8: Menghitung MSE & RMSE dari sebuah model Exercise 9: Membandingkan RMSE dari dua model Exercise 10: Kerangka prediksi himpunan validasi Exercise 11: Memasang model pada data pelatihan Exercise 12: Memprediksi pada data test Exercise 13: Kesimpulan - Ke mana Anda melangkah selanjutnya?