Ex1

Πρόβλεψη Τιμών Κατοικίας με 1) Μοντέλο Γραμμικής Παλινδρόμησης (Linear Regression) και 2) Δεντρο Παλινδρομησης Regression Tree)

Προβλέψη της τιμής μιας κατοικίας στο Ames (Αϊόβα, ΗΠΑ) βασιζόμενοι σε μια σειρά χαρακτηριστικών: μέγεθος & ποιότητα

Βηματα:

1. Φόρτωση των δεδομένων με τον κόμβο CSV reader

2. Απεικόνιση της στοχευόμενης μεταβλητής έναντι άλλων μεταβλητών με τον κόμβο Scatter Plot

3. Διαίρεση των δεδομένων σε Training (70%) και test (30%) dataset

4. Εκπαίδευση ενός μοντέλου γραμμικής παλινδρόμησης με τον κόμβο Linear Regression Learner

5. Δημιουργία προβλέψεων με τον κόμβο Regression Predictor

6. Αφαίρεση των ελλειπόντων προβλέψεων με τον κόμβο Missing Value

7. Αξιολόγηση της απόδοσης του μοντέλου με τον κόμβο Numeric Scorer

8. Επαναλεβετε τα προηγουμενα βηματα για ενα μοντελο Regression Tree.

9. Βελτιστοποιηστε το Regression Tree Model με ενα Optimization Loop. Μεταβαλλετε το tree depth απο 2 εως 10 και το minimum split node size πο 1 εως 10. Η βελτιστοποιηση θα εχει στοχο την μεγιστοποιηση της μετρικης R2. Υποδειξη: Στον κομβο Νumeric Scorer ενεργοποιηστε την επιλογη: Output scorew as flow variables.

10. Ποιο μοντελο εχει την καλυτερη αποδοση;

Model 1: Linear Regression

Model 2: Regression Tree

Model 3: Regression Tree Optimization