Как реализовать модель линейной регрессии для задачи прогнозирования
В этой статье мы погрузимся в модель линейной регрессии.
В этом посте я расскажу, как загружать данные, строить модель, прогнозировать и оценивать модель линейной регрессии в python. Мы построим и оценим модель в наборе данных Boston Housing с помощью scikit-learn. Вы можете скачать набор данных здесь.
Набор данных о жилищном строительстве Филадельфии:
Набор данных взят из Филадельфии, штат Пенсильвания, и включает среднюю продажную цену дома в ряде районов. Атрибуты каждого района, которые у нас есть, включают уровень преступности («CrimeRate»), мили от центра города («MilesPhila»), название города («Name») и название округа («County»).
Здесь я рассмотрел следующие темы, чтобы построить хорошую модель линейной регрессии:
- Загрузка набора данных
- Изучение набора данных
- Построить модель линейной регрессии
- Прогнозирование по набору данных тестирования
- Оценка предсказания модели
- Визуализации
Эти темы реализованы в Jupyter Notebook. Просмотрите этот блокнот, чтобы понять, как реализуется модель линейной регрессии и ее эффективность при прогнозировании проблем.
