mieszkania5/mieszkania.ipynb

Trenowanie i sprawdzanie modelu na podstawie danych

import pandas as pd
from sklearn.linear_model import LinearRegression
from sklearn.preprocessing import MinMaxScaler

data = pd.read_csv('train/train.tsv', delimiter='\t', header=None)

X = data.iloc[:, [6, 8]]
X = X.apply(pd.to_numeric, errors='coerce')
X = X.fillna(11)

y = data.iloc[:, 0]

scaler = MinMaxScaler()
X_normalized = scaler.fit_transform(X)

model = LinearRegression()
model.fit(X_normalized, y)

LinearRegression()

In a Jupyter environment, please rerun this cell to show the HTML representation or trust the notebook.
On GitHub, the HTML representation is unable to render, please try loading this page with nbviewer.org.

LinearRegression

LinearRegression()

Predykcja modelu:

dane = pd.read_csv('dev-0/in.tsv', delimiter='\t', header=None)
dane = dane[[5,7]]
dane = dane.apply(pd.to_numeric, errors='coerce')
dane = dane.fillna(11)
#print(dane[[5, 7]])
scaler = MinMaxScaler()
scaler.fit(dane)
dane_normalized = scaler.transform(dane)
wynik = model.predict(dane_normalized)
wynik_df = pd.DataFrame(wynik)
wynik_df.to_csv('dev-0/out.tsv', sep='\t', index=False)

dane2 = pd.read_csv('Test-A/in.tsv', delimiter='\t', header=None)
dane2 = dane2[[5,7]]
dane2 = dane2.apply(pd.to_numeric, errors='coerce')
dane2 = dane2.fillna(11)
scaler = MinMaxScaler()
scaler.fit(dane2)
dane2_normalized = scaler.transform(dane)
wynik2 = model.predict(dane2_normalized)
wynik2_df = pd.DataFrame(wynik2)
wynik2_df.to_csv('Test-A/out.tsv', sep='\t', index=False)

from sklearn.metrics import mean_squared_error
 
y_pred = model.predict(X_normalized)
mse = mean_squared_error(y, y_pred)
print(f"Średni Błąd Kwadratowy (MSE): {mse:.2f}")

from sklearn.metrics import mean_absolute_error
 
mae = mean_absolute_error(y, y_pred)
print(f"Średni Błąd Bezwzględny (MAE): {mae:.2f}")

from sklearn.metrics import r2_score
 
r2 = r2_score(y, y_pred)
print(f"R-kwadrat (R2): {r2:.2f}")

import matplotlib.pyplot as plt
 
plt.scatter(y, y_pred, label="Dane")

plt.xlabel("Rzeczywiste wartości")
plt.ylabel("Przewidywane wartości")
plt.title("Wykres predykcji vs. rzeczywistość z linią regresji")
plt.legend()
plt.show()

Średni Błąd Kwadratowy (MSE): 23708536181.88
Średni Błąd Bezwzględny (MAE): 75896.46
R-kwadrat (R2): 0.67