rafaelassumpcao / boston_housing

Geek Repo:Geek Repo

Github PK Tool:Github PK Tool

Nanodegree Engenheiro de Machine Learning

Modelo de avaliação e validação

Projeto: Prevendo o preço de imóveis de Boston

Caso queira ver o httml gerado do juypter sem a necessidade

de clonar o projeto, acesse aqui

Instalação

Este projeto requer Python 3 e as seguintes bibliotecas Python:

Você também precisará ter software instalado para rodar e executar um Jupyter Notebook

Se você ainda não tem o Python instalado, é altamente recomendado que instale a distribuição Anaconda, que já tem os pacotes acima incluídos. Certifique-se de selecionar o instalador Python 2.7, não o 3.x.

Código

Um modelo do código é fornecido no arquivo notebook boston_housing_PT.ipynb. Você também precisará usar o arquivo Python visuals.py e o arquivo de dados housing.csv para completar seu trabalho. Mesmo que parte do código já tenha sido fornecida para ajudá-lo a começar, você precisará implementar funcionalidades adicionais em alguns pontos para conseguir completar o projeto com sucesso. Note que o código incluído em visuals.py foi feito para ser utilizado do jeito que está, sem manipulação por parte dos estudantes. Mas, se você estiver interessado em saber como as visualizações são criadas no notebook, fique à vontade para explorar esse arquivo Python.

Execução

Em um terminal ou janela de comando, navegue até o diretório raiz de projeto boston_housing/ (que contém este README) e execute os seguintes comandos:

ipython notebook boston_housing_PT.ipynb

ou

jupyter notebook boston_housing_PT.ipynb

Isso abrirá o o software e arquivo de projeto Jupyter Notebook em seu navegador.

Dados

O conjunto de dados do mercado imobiliário de Boston consiste em 489 pontos de dados, sendo que cada ponto possui 3 atributos. Este conjunto de dados é uma versão modificada do conjunto de dados do mercado imobiliário de Boston encontrado no Repositório de machine learning da UCI.

Atributos

  1. RM: número médio de cômodos por casa
  2. LSTAT: porcentagem da população considerada de baixa renda
  3. PTRATIO: razão estudante/professor da cidade

Variável alvo

  1. MEDV: valor mediano das casas

About


Languages

Language:HTML 53.0%Language:Jupyter Notebook 46.4%Language:Python 0.5%