วิธีการสร้างอัลกอริทึมที่คาดการณ์ราคาบ้านในอนาคตโดยใช้ Scikit-Learn and Linear Regression

ถ้าเราต้องการจะทำนายสิ่งต่าง ๆ ในอนาคต อาทิเช่น การทํานายอนาคตของประกรโลก ราคาทอง ราคาหุ้น ราคา bitcoin และผลกําไรทางธุรกิจของคุณ เรามีวิธีใน
การสร้างอัลกอริทึมสำหรับใช้ในการทำนายอนาคตโดยใช้ PYTHON มาเป็นตัวช่วยของเรา

---

บทความนี้ เราจะมาดูการสร้างอัลกอริทึมสำหรับใช้ในการทำนายอนาคตใน Python กัน ซึ่งใช้ Google Colab เป็นการรันชุดคำสั่งต่าง ๆและมีการใช้สูตรทางคณิตศาสตร์มาเกี่ยวข้อง

---

ซึ่งมีวิธีการและขั้นตอนในการสร้างอัลกอริทึม ดังต่อไปนี้

---

ขั้นตอนที่ 1 ติดตั้งไลบรารี

ขั้นตอนแรกต้องติดตั้งไลบรารี ช่วยให้เรียกใช้ไลบรารี Machine Learning ได้อย่างง่ายดาย ซึ่งสามารถติดตั้งไลบรารี โดยใช้

import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
import seaborn as sns
%matplotlib inline

ขั้นตอนที่ 2 โหลดชุดข้อมูล

USAhousing = pd.read_csv('USA_Housing.csv')

การประมวลผลข้อมูลล่วงหน้า ใช้ฟังก์ชัน .head() ในไลบรารี Python เช่น Pandas เพื่อดูแถวเริ่มต้นของชุดข้อมูลอย่างรวดเร็ว ข้อมูลนี้จะแสดงภาพรวมของโครงสร้างข้อมูล ชื่อตัวแปร และรายการแรกๆ

USAhousing.head()

ใช้ฟังก์ชัน .info() เพื่อรับภาพรวมย่อยของชุดข้อมูล ซึ่งรวมถึงประเภทข้อมูล จำนวนค่าที่ไม่ใช่ null และการใช้หน่วยความจำ

USAhousing.info()

ใช้ .describe() เพื่อสร้างสถิติที่เป็นคำอธิบาย เช่นค่าเฉลี่ย ค่าเบี่ยงเบนมาตรฐาน และควอไทล์ เพื่อให้เข้าใจลึกลงเกี่ยวกับคุณสมบัติตัวเลขในชุดข้อมูล

USAhousing.describe()

---

ขั้นตอนที่ 3: การสร้างกราฟ

การใช้ plt.scatter() ใช้สำหรับสร้างการกระจายของข้อมูล

plt.scatter(USAhousing['Avg. Area Income'],USAhousing['Price'])

การฝึกโมเดล

ในบทนี้เราทำนายราคาบ้านโดยใช้ Linear Regression การฝึกโมเดลมีขั้นตอนดังนี้

ขั้นตอนที่ 1: การรับค่าของตัวแปรอิสระและตัวแปรตาม

X = USAhousing[['Avg. Area Income', 'Avg. Area House Age', 'Avg. Area Number of Rooms',
               'Avg. Area Number of Bedrooms', 'Area Population']]
y = USAhousing['Price']

ขั้นตอนที่ 2: แยกข้อมูล

from sklearn.model_selection import train_test_split

_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.4, random_state=101)

ขั้นตอนที่ 3: นำเข้าข้อมูลและฝึกกับโมเดล

เมื่อทดลองโมเดลแล้ว นำชุดโมเดลนั้นเพื่อคาดการร์ชุดทดสอบ

from sklearn.linear_model import LinearRegression

lm = LinearRegression()

lm.fit(X_train,y_train)

ทอลองหาผลลัพธ์กัน

predictions = lm.predict(X_test)

plt.scatter(y_test,predictions)

จากนั้นก็มาดูกราฟกัน

สรุปผล

จากการสร้างอัลกอริทึมจะเห็นได้ว่า ถ้าเราต้องการสร้างอัลกอริทึมเพื่อทำนายอนาคตสิ่งต่าง ๆ ในอนาคตนั้น สิ่งหนึ่งที่สำคัญที่สุดที่จะทำให้อัลกอริทึมที่เราสร้างขึ้นมาสามารถทำนายอนาคตได้ คือ สถิติของข้อมูลย้อนหลัง ที่จะเป็นสิ่งสำคัญที่ช่วยทำให้อัลกอริทึมของเราสามารถทำนายผลต่าง ๆ ล่วงหน้าได้ผ่านปัญญาประดิษฐ์ (AI) ที่อยู่ในชุดคำสั่ง PYTHON ของอัลกอริทึมดังกล่าวที่เราได้เรียบเรียงสร้างขึ้นในข้างต้นได้เป็นอย่างดีและเกิดประโยชน์สูงสุดทั้งในปัจจุบันและในอนาคตต่อไป

---

Reference

[(https://medium.com/@kaushiksimran827/house-price-prediction-a-simple-guide-with-scikit-learn-and-linear-regression-f91a27b9d650)]