Implantando um sistema preditivo
Neste exemplo, aprenderemos como criar e implementar um modelo preditivo que ajuda na previsão dos preços das casas usando o script Python. A importante estrutura usada para implantação de sistema preditivo inclui Anaconda e “Jupyter Notebook”.
Siga estas etapas para implantar um sistema preditivo -
Step 1 - Implemente o código a seguir para converter valores de arquivos csv em valores associados.
import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
import seaborn as sns
import mpl_toolkits
%matplotlib inline
data = pd.read_csv("kc_house_data.csv")
data.head()
O código acima gera a seguinte saída -

Step 2 - Execute a função de descrição para obter os tipos de dados incluídos na atribuição de arquivos csv.
data.describe()

Step 3 - Podemos descartar os valores associados com base na implantação do modelo preditivo que criamos.
train1 = data.drop(['id', 'price'],axis=1)
train1.head()

Step 4- Você pode visualizar os dados conforme os registros. Os dados podem ser usados para análise de ciência de dados e produção de white papers.
data.floors.value_counts().plot(kind='bar')
