Искусственный интеллект. Машинное обучение - Джейд Картер

Скачать книгу

Оценка модели: Оценим качество модели на тестовом наборе данных с помощью различных метрик, таких как средняя абсолютная ошибка (MAE), средняя квадратичная ошибка (MSE) и коэффициент детерминации (R^2).

      Пример кода:

      ```python

      # Шаг 1: Подготовка данных

      import pandas as pd

      from sklearn.model_selection import train_test_split

      from sklearn.preprocessing import StandardScaler

      # Загрузка данных

      data = pd.read_csv('real_estate_data.csv')

      # Предобработка данных

      X = data.drop(columns=['price'])

      y = data['price']

      # Разделение на обучающий и тестовый наборы

      X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)

      # Масштабирование признаков

      scaler = StandardScaler()

      X_train_scaled = scaler.fit_transform(X_train)

      X_test_scaled = scaler.transform(X_test)

      # Шаг 2 и 3: Выбор и обучение модели

      from sklearn.linear_model import LinearRegression

      from sklearn.metrics import mean_squared_error

      from sklearn.metrics import mean_absolute_error

      # Создание и обучение модели линейной регрессии

      model = LinearRegression()

      model.fit(X_train_scaled, y_train)

      # Оценка качества модели на тестовом наборе данных

      y_pred = model.predict(X_test_scaled)

      mse = mean_squared_error(y_test, y_pred)

      mae = mean_absolute_error(y_test, y_pred)

      r2 = model.score(X_test_scaled, y_test)

      print("Mean Squared Error:", mse)

      print("Mean Absolute Error:", mae)

      print("R^2 Score:", r2)

      ```

      Это простой пример решения задачи прогнозирования цен на недвижимость с использованием линейной регрессии и метода градиентного спуска. После выполнения этого кода вы получите оценки качества модели, которые помогут вам понять, насколько хорошо модель работает на новых данных.

      Пример 2

      Давайте рассмотрим пример прогнозирования цен на недвижимость с использованием метода наименьших квадратов (OLS) в линейной регрессии.

      Описание задачи:

      Предположим, у нас есть набор данных о недвижимости, включающий информацию о размере дома, количестве спален, расстоянии до ближайшего общественного транспорта и другие характеристики. Наша задача – предсказать цены на недвижимость на основе этих характеристик.

      Ход решения:

      1. Подготовка данных: Загрузим и предобработаем данные, например, удалим пропущенные значения и масштабируем признаки при необходимости.

      2. Выбор модели: В данном случае мы выберем модель линейной регрессии, и для обучения этой модели будем использовать метод наименьших квадратов.

      3. Обучение модели: Обучим модель на обучающем наборе данных.

      4. Оценка модели: Оценим качество модели на тестовом наборе данных с использованием метрик качества, таких как средняя абсолютная ошибка (MAE) и коэффициент детерминации (R^2).

      Пример кода:

      ```python

      # Шаг 1: Подготовка данных (аналогично предыдущему примеру)

      # Шаг 2 и 3: Выбор и обучение модели

      from sklearn.linear_model import LinearRegression

      # Создание и обучение модели линейной регрессии с использованием метода наименьших квадратов

      ols_model = LinearRegression()

      ols_model.fit(X_train_scaled, y_train)

      # Шаг 4: Оценка модели

      y_pred_ols = ols_model.predict(X_test_scaled)

      mse_ols = mean_squared_error(y_test, y_pred_ols)

      mae_ols = mean_absolute_error(y_test, y_pred_ols)

      r2_ols = ols_model.score(X_test_scaled, y_test)

      print("OLS Mean Squared Error:", mse_ols)

      print("OLS Mean Absolute Error:", mae_ols)

      print("OLS R^2 Score:",

Скачать книгу