Scribd
Unggah
12 tayangan2 halaman

Prediksi Harga Rumah dengan Python AI

Dokumen ini menjelaskan langkah-langkah untuk memprediksi harga rumah menggunakan Python, termasuk impor perpustakaan, persiapan dataset, pemisahan data, dan evaluasi model. Model regresi linear digunakan untuk memprediksi harga berdasarkan fitur seperti ukuran, jumlah kamar tidur, dan usia rumah. Hasilnya divisualisasikan dengan diagram sebar yang membandingkan harga aktual dan harga yang diprediksi, serta menghitung kesalahan kuadrat rata-rata.

Diunggah oleh

Ayu Adesti
Hak Cipta
© All Rights Reserved
Kami menangani hak cipta konten dengan serius. Jika Anda merasa konten ini milik Anda, ajukan klaim di sini.
Format Tersedia
Unduh sebagai DOCX, PDF, TXT atau baca online di Scribd
12 tayangan2 halaman

Prediksi Harga Rumah dengan Python AI

Dokumen ini menjelaskan langkah-langkah untuk memprediksi harga rumah menggunakan Python, termasuk impor perpustakaan, persiapan dataset, pemisahan data, dan evaluasi model. Model regresi linear digunakan untuk memprediksi harga berdasarkan fitur seperti ukuran, jumlah kamar tidur, dan usia rumah. Hasilnya divisualisasikan dengan diagram sebar yang membandingkan harga aktual dan harga yang diprediksi, serta menghitung kesalahan kuadrat rata-rata.

Diunggah oleh

Ayu Adesti
Hak Cipta
© All Rights Reserved
Kami menangani hak cipta konten dengan serius. Jika Anda merasa konten ini milik Anda, ajukan klaim di sini.
Format Tersedia
Unduh sebagai DOCX, PDF, TXT atau baca online di Scribd

Contoh Kode Python AI: Memprediksi Harga Rumah

Langkah 1: Impor Perpustakaan


impor numpy sebagai np
impor pandas sebagai pd
dari sklearn. pemilihan_model impor train_test_split
dari sklearn. model_linier impor Regresi_Linear
dari sklearn. metrik impor mean_squared_error
impor matplotlib. pyplot sebagai plt
Langkah 2: Siapkan Dataset
# Buat dataset
data = {
"Ukuran (kaki persegi)" : [1500, 2000, 2500, 3000, 3500],
"Kamar Tidur" : [3, 4, 4, 5, 5],
"Usia (tahun)" : [10, 15, 20, 25, 30],
"Harga (USD)" : [300000, 400000, 500000, 600000, 700000]
}

# Ubah dataset menjadi pandas DataFrame


df = [Link](data)
print ( "Dataset:" )
print ( df )
Langkah 3: Memisahkan Data
# Fitur (variabel independen) dan target (variabel dependen)
X = df [[ "Ukuran (kaki persegi)" , "Kamar Tidur" , "Usia (tahun)" ]]
y = df [ "Harga (USD)" ]

# Membagi data menjadi set pelatihan dan pengujian


X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)
print ( "Fitur Pelatihan:" )
print (X_train)
print ( "Fitur Pengujian:" )
print (X_test)
Langkah 5: Buat Prediksi
# Buat prediksi
prediksi = [Link](X_test)

print ( "Harga yang Diprediksi:" )


print (prediksi)
print ( "Harga Aktual:" )
print (nilai_y_test)
Langkah 6: Evaluasi Model
# Hitung Kesalahan Kuadrat Rata-rata
mse = mean_squared_error(y_test, prediksi)
print ( f"Kesalahan Kuadrat Rata-rata: {mse: .2 f} " )
Langkah 7: Visualisasikan Hasilnya
# Plot prediksi vs nilai aktual
[Link](y_test, predictions)
[Link]([ min (y_test), max (y_test)], [ min (y_test), max (y_test)], color= 'red' , linewidth= 2 )
[Link]( "Harga Aktual" )
[Link]( "Harga Prediksi" )
[Link]( "Harga Aktual vs Harga Prediksi" )
[Link]()

Keluaran

1. Dataset : Tabel berisi fitur rumah dan harganya.

2. Prediksi : Model memprediksi harga rumah berdasarkan data uji.

3. Kesalahan Kuadrat Rata-rata : Kesalahan model ditampilkan sebagai nilai numerik.

4. Visualisasi : Diagram sebar membandingkan harga aktual dan harga yang diprediksi.

Anda mungkin juga menyukai