ÉVALUATION / 09 · EXERCICE
Exercice · prédire le prix des maisons
house_mini contient 21 613 ventes. price est la cible ; sqft_living et sqft_lot sont des surfaces en pieds carrés.
bedrooms, bathrooms et floors décrivent le logement. zipcode est volontairement exclu : un code postal est une catégorie, et une différence numérique entre codes ne représente pas une distance géographique pertinente.
Exemple expliqué
- 1
X = df[["sqft_living", "bedrooms", "bathrooms", "floors", "sqft_lot"]] y = df["price"]Les mêmes caractéristiques seront reprises dans les comparaisons suivantes.
- 2
X_dev, X_final, y_dev, y_final = train_test_split( X, y, test_size=0.2, random_state=42)20 % des lignes sont réservées au test final. Les comparaisons par validation croisée utilisent seulement X_dev et y_dev.
- 3
scores = -cross_val_score(LinearRegression(), X_dev, y_dev, cv=cv, scoring="neg_root_mean_squared_error", n_jobs=1)Les erreurs sont en unités de prix du fichier, décrites comme des dollars dans le notebook.
Code à compléter
Réserver 20 % en test final, puis calculer scores par validation croisée à cinq plis sur le développement et afficher moyenne et dispersion.
Saisie autonome · crédit complet après réussite
Le résultat apparaîtra ici.
Session Python
Les variables restent disponibles entre les pages. Un rechargement efface les variables ; le code et l’utilisation de l’aide restent enregistrés dans cet onglet.