Tarihe dayalı başlangıç modeli

Şimdiye kadar 3 farklı başlangıç modeli kurduk. Biraz daha pratik yapmak için birkaç tane daha kuralım. İlk model, gruplama değişkenlerine dayanıyor. Yolculuk ücretinin günün saatine bağlı olabileceği açık. Örneğin, yoğun saatlerde fiyatlar daha yüksek olabilir.

Hedefin, ilgili saat için ortalama "fare_amount" değerini atayan bir başlangıç modeli kurmak. Şimdilik modeli tüm train verisi için oluşturacak ve test veri kümesi için tahmin yapacaksın.

train ve test DataFrame'leri çalışma alanında hazır. Ayrıca, her iki DataFrame'deki "pickup_datetime" sütunu senin için zaten datetime nesnesine dönüştürüldü.

Bu egzersiz, kursun bir parçasıdır

Python ile Bir Kaggle Yarışmasını Kazanmak

Kursa Göz Atın

Egzersiz talimatları

train ve test DataFrame'leri için "pickup_datetime" sütunundan saati al.
Train verisi üzerinde her saat için ortalama "fare_amount" değerini hesapla.
Elde edilen grupla pandas'ın map() metodunu kullanarak test tahminlerini yap.
Tahminleri dosyaya yaz.

Uygulamalı etkileşimli egzersiz

Bu egzersizi bu örnek kodu tamamlayarak deneyin.

# Get pickup hour from the pickup_datetime column
train['hour'] = train['pickup_datetime'].dt.____
test['hour'] = test['pickup_datetime'].dt.____

# Calculate average fare_amount grouped by pickup hour 
hour_groups = train.____('____')['____'].mean()

# Make predictions on the test set
test['fare_amount'] = test.hour.map(____)

# Write predictions
test[['id','fare_amount']].____('hour_mean_sub.csv', index=False)

Kodu Düzenle ve Çalıştır