Mini-proiect: estimator naiv de prețuri
E timpul să pui cap la cap tot ce ai învățat: date, antrenare, test, baseline și MAE. Construiești un model puțin mai deștept decât media globală: el prezice prețul mediu pentru numărul de camere al apartamentului. Apoi verifici dacă bate baseline-ul.
Pasul 1: grupezi prețurile pe camere
Construiești un dicționar în care cheia e numărul de camere și valoarea e lista de prețuri. setdefault creează lista goală la prima întâlnire a unei chei:
apartamente = [
(1, 62000), (1, 70000), (1, 66000),
(2, 95000), (2, 105000), (2, 99000),
(3, 135000), (3, 145000),
]
test = [(1, 68000), (2, 101000), (3, 150000)]
grupuri = {}
for camere, pret in apartamente:
grupuri.setdefault(camere, []).append(pret)
print(grupuri){1: [62000, 70000, 66000], 2: [95000, 105000, 99000], 3: [135000, 145000]}Construiește modelul pe camere, evaluează-l pe 3 apartamente de test și compară-l cu baseline-ul media globală.
- Calculează dicționarul medii (camere → preț mediu) din apartamente și afișează fiecare medie: 1 camere: 66000.00 euro.
- Calculează media_globala a tuturor prețurilor din apartamente.
- Calculează MAE pe test pentru modelul pe camere și pentru baseline.
- Afișează MAE model pe camere: ... și MAE baseline: ..., cu 2 zecimale.
- Afișează Modelul pe camere e mai bun: True (rezultatul comparației mae_model < mae_baseline).
Soluția exercițiului
apartamente = [
(1, 62000), (1, 70000), (1, 66000),
(2, 95000), (2, 105000), (2, 99000),
(3, 135000), (3, 145000),
]
test = [(1, 68000), (2, 101000), (3, 150000)]
grupuri = {}
for camere, pret in apartamente:
grupuri.setdefault(camere, []).append(pret)
medii = {}
for camere, lista in grupuri.items():
medii[camere] = sum(lista) / len(lista)
print(f"{camere} camere: {medii[camere]:.2f} euro")
preturi = [pret for camere, pret in apartamente]
media_globala = sum(preturi) / len(preturi)
mae_model = sum(abs(pret - medii[camere]) for camere, pret in test) / len(test)
mae_baseline = sum(abs(pret - media_globala) for camere, pret in test) / len(test)
print(f"MAE model pe camere: {mae_model:.2f}")
print(f"MAE baseline: {mae_baseline:.2f}")
print("Modelul pe camere e mai bun:", mae_model < mae_baseline) Vrei să afli mai mult?Planul proiectului · Pasul 2: media pe fiecare grup · Pasul 3: MAE pe test, pentru ambele modele · Greșeli frecvente · Unde se folosește această idee
Planul proiectului
Ca orice model, are antrenare (calculezi mediile pe grupuri) și predicție (cauți în dicționar media pentru camerele apartamentului nou). Este, de fapt, un tabel învățat din date.
Pasul 2: media pe fiecare grup
apartamente = [
(1, 62000), (1, 70000), (1, 66000),
(2, 95000), (2, 105000), (2, 99000),
(3, 135000), (3, 145000),
]
test = [(1, 68000), (2, 101000), (3, 150000)]
grupuri = {}
for camere, pret in apartamente:
grupuri.setdefault(camere, []).append(pret)
medii = {}
for camere, lista in grupuri.items():
medii[camere] = sum(lista) / len(lista)
print(f"{camere} camere: {medii[camere]:.2f} euro")1 camere: 66000.00 euro 2 camere: 99666.67 euro 3 camere: 140000.00 euro
Dicționarul medii este modelul antrenat. Predicția pentru un apartament cu 2 camere este medii[2].
Pasul 3: MAE pe test, pentru ambele modele
Pentru fiecare apartament de test, modelul pe camere prezice medii[camere], iar baseline-ul prezice media globală. Aduni erorile absolute și împarți la 3.
- mae_model = suma |real − medii[camere]| / 3
- mae_baseline = suma |real − media_globala| / 3
Dacă un apartament de test are 4 camere și în antrenare nu exista niciunul, medii[4] dă KeyError. Modelele reale trebuie să trateze și acest caz (de exemplu, cu media globală ca rezervă: medii.get(camere, media_globala)).
Greșeli frecvente
- Calculezi mediile și din test: e scurgere de date. Mediile vin doar din apartamente.
- **Uiți abs** la MAE.
- Te bucuri că modelul e mai bun pe 3 exemple: cu atât de puține date, diferența poate fi noroc. Pe date reale, testul e mult mai mare.
Unde se folosește această idee
„Prețul mediu pe mp în cartierul X” este exact un model pe grupuri.
„Cel mai vândut produs din categoria ta” e un model pe grupuri.
Echipele de date pornesc deseori cu un astfel de model înainte de modele complicate.
