Tema 4.9 - Utilización de más Funciones

Utilización de más Funciones

Aquí hay una tabla que compara los valores de MSE y RMSE para los 2 modelos univariantes de la última misión y el modelo multivariante que acabamos de entrenar:

Como puedes ver, el modelo que entrenamos utilizando ambas características acabó funcionando mejor (menor puntuación de error) que cualquiera de los modelos univariantes de la última misión, ahora vamos a entrenar un modelo utilizando las siguientes 4 características:

• accommodates
• bedrooms
• bathrooms
• number_of_reviews

Scikit-learn hace que sea increíblemente fácil intercambiar las columnas utilizadas durante el entrenamiento y las pruebas, vamos a dejar esto como un reto para entrenar y probar un modelo "k-nearest neighbors" utilizando estas columnas en su lugar, utiliza el código que escribiste en la última pantalla como guía.

Instrucciones

• Cree una nueva instancia de la clase KNeighborsRegressor class con los siguientes parámetros:
  1. n_neighbors: 5
  2. algorithm: brute

• Ajuste un modelo que utilice las siguientes columnas de nuestro conjunto de entrenamiento (train_ df):
  

1. Accommodates
2. Bedrooms
3. Bathrooms
4. number_of_reviews

• Use el modelo para hacer predicciones en el conjunto de prueba (test_df) utilizando las mismas columnas. Asignar la matriz NumPy de predicciones a four_predictions
  
• Use la función mean_squared_error() para calcular el valor MSE de estas predicciones comparando four_predictions con la columna de price de test_df, asigne el valor MSE calculado a four_mse
• Calcular el valor del RMSE y asignarlo a four_rmse
• Mostrar four_mse y four_rmse mediante la función de impresión

Soluciones

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12

features = ['accommodates', 'bedrooms', 'bathrooms',
'number_of_reviews']
from sklearn.neighbors import KNeighborsRegressor

knn = KNeighborsRegressor (n_neighbors=5, algorithm='brute')
knn.fit(train_df [features], train_df['price'])

four_predictions = knn.predict(test_df[features])
four_mse = mean_squared_error(test_df['price'], four_predictions)
four_rmse = four_mse ** (1/2)
print(four_mse)
print(four_rmse)