"Yeni" evler için tahminleri otomatikleştirme

Şimdi önceki egzersizde yaptığını, bu kez bu "yeni" evlere ait bilgilerin bir veri çerçevesinde saklandığını varsayarak otomatik bir şekilde tekrarlayalım.

log10_price'ı log10_size ve ikili değişken waterfront'un bir fonksiyonu olarak kurduğun model (model_price_4) çalışma alanında mevcut. Ayrıca 2 yeni eve ait verileri içeren bir veri çerçevesi olan new_houses_2 da var. Sadece 2 "yeni" ev varken çok faydalı görünmeyebilir, ama 2000 "yeni" evin olsaydı sana çok iş kazandırırdı.

Bu egzersiz, kursun bir parçasıdır

Tidyverse ile Verilerle Modelleme

Kursa Göz Atın

Uygulamalı etkileşimli egzersiz

Bu egzersizi bu örnek kodu tamamlayarak deneyin.

# View the "new" houses
new_houses_2

# Get predictions on "new" houses
___

Kodu Düzenle ve Çalıştır

Bu egzersiz, kursun bir parçasıdır

Tidyverse ile Verilerle Modelleme

IntermediárioNível de habilidade

4.9+

Kursa Ücretsiz Başla

Bu bölüm, özellikle genel modelleme çerçevesi, açıklama için modelleme ile tahmin için modelleme arasındaki fark ve modelleme problemi üzerine bazı arka plan kuramı ve terminolojiyi sana tanıtacak. Ayrıca, herhangi bir resmi modellemeden önce kritik bir ilk adım olan ilk keşifsel veri analizini yapmaya başlayacaksın.

Exercise 1: Açıklama amaçlı modellemeye giriş Exercise 2: Yaşın keşfedici görselleştirmesi Exercise 3: Yaşın sayısal özetleri Exercise 4: Tahmin için modellemeye genel bakış Exercise 5: Ev büyüklüğünün keşifsel görselleştirmesi Exercise 6: Ev büyüklüğünün Log10 dönüşümü Exercise 7: Açıklama için modelleme problemi Exercise 8: Öğretim ve "güzellik" puanları ilişkisinin EDA’sı Exercise 9: Öğretim ve "güzellik" puanları arasındaki korelasyon Exercise 10: Tahmin için modelleme problemi Exercise 11: Konut fiyatı ile su kıyısı ilişkisinin EDA’sı Exercise 12: Su kıyısı manzarasıyla konut fiyatı tahmini

Genel modelleme çerçevesine dair anlayışınla donanmış olarak, bu bölümde temel doğrusal regresyonu ele alacağız; burada işleri sade tutup çıktı değişkeni y’yi tek bir açıklayıcı/tahmin edici değişken x’in bir fonksiyonu olarak modelleyeceksin. Hem sayısal hem de kategorik x değişkenleri kullanacağız. Bu bölümde ilgileneceğimiz çıktı değişkeni, University of Texas, Austin’deki eğitmenlerin ders değerlendirme puanları olacak.

Exercise 1: Öğretim puanını yaşla açıklamak Exercise 2: "En iyi uyan" regresyon doğrusunu çizme Exercise 3: Sayısal bir x ile regresyon kurma Exercise 4: Yaşa göre öğretim puanını tahmin etme Exercise 5: "Güzellik puanı" ile tahmin yapmak Exercise 6: Uydurulan/tahmin edilen değerler ve artıkların hesaplanması Exercise 7: Öğretim puanını cinsiyetle açıklamak Exercise 8: puan ve unvan ilişkisinin EDA'sı Exercise 9: Kategorik bir x ile regresyon kurma Exercise 10: Cinsiyeti kullanarak ders değerlendirme puanını tahmin et Exercise 11: Rütbeyi kullanarak tahmin yapmak Exercise 12: Artıkların dağılımını görselleştirme

Önceki bölümde, tek bir sayısal ya da kategorik tahmin edici kullanan temel regresyonu öğrendin. Peki açıklamalarını/tahminlerini beslemek için neden kendimizi tek bir değişkenle sınırlayalım? Şimdi temel regresyonu çoklu regresyona genişleteceksin; bu sayede modellerine birden fazla açıklayıcı veya tahmin edici değişkeni dahil edebileceksin. Seattle, WA metropol bölgesindeki evlerden oluşan bir veri kümesiyle konut fiyatlarını modelleyeceksin.

Exercise 1: Ev fiyatını yıl ve büyüklükle açıklama Exercise 2: İlişkinin KEA’sı Exercise 3: Bir regresyonu uydurma Exercise 4: Yıl ve büyüklüğü kullanarak ev fiyatını tahmin etme Exercise 5: Büyüklük ve yatak odasına göre tahmin yapma Exercise 6: Artıkların yorumlanması Exercise 7: Fiyatı metrekare ve koşula göre açıklama Exercise 8: Paralel eğimler modeli Exercise 9: Paralel eğimler modelini yorumlama Exercise 10: Büyüklük ve koşula göre ev fiyatı tahmini Exercise 11: Büyüklük ve deniz kıyısı manzarasını kullanarak tahmin yapma Exercise 12: "Yeni" evler için tahminleri otomatikleştirme

Geçerli egzersiz

Önceki bölümlerde, ilgilendiğin bir çıktı değişkenini açıklamak ya da tahmin etmek için çeşitli modeller kurdun. Ancak hangi modelleri seçeceğimizi nasıl bileceğiz? Model değerlendirme ölçütleri, açıklayıcı bir modelin bir veri kümesine ne kadar iyi "uyduğunu" ya da tahmine dayalı bir modelin ne kadar doğru olduğunu değerlendirmene olanak tanır. Bu ölçütlere dayanarak, hangi modellerin "en iyi" olduğuna karar vermeye yönelik kıstasları öğreneceksin.

Exercise 1: Model seçimi ve değerlendirmesi Exercise 2: Hatırlatma: kareler toplamı artıklar Exercise 3: Hangi modeli seçmeli?Exercise 4: R-kare ile model uyumunu değerlendirme Exercise 5: Bir modelin R-kare değerini hesaplama Exercise 6: İki modelin R-kare'sini karşılaştırma Exercise 7: RMSE ile tahminleri değerlendirme Exercise 8: Bir modelin MSE ve RMSE'sini hesaplama Exercise 9: İki modelin RMSE'sini karşılaştırma Exercise 10: Doğrulama kümesi tahmin çerçevesi Exercise 11: Modeli eğitim verisine uydurma Exercise 12: Test verisinde tahmin Exercise 13: Sonuç - Buradan sonra nereye?