بتل کد Battle Codeدارد باز می‌شود…

جواب «Step 4: Predict New Houses» چالش 4 از جلسه‌ی 28

سؤال

قدم آخر: با وزن‌های آموزش‌دیده (داده شده) و los/his داده‌ی آموزش، تابع price_of(house) بنویس که خانه‌ی جدید را با همان los/his نرمال کند، predict بزند و قیمت را به میلیون (ضرب در ۱۰۰، گرد با عدد صحیح) برگرداند. برای خانه‌های آزمون قیمت واقعی و حدس را چاپ کن و در آخر میانگین قدرمطلق خطا را: خروجی [95, 2, 12] real 250 guess 251، [140, 4, 6] real 390 guess 376 و mean error 7.5.

راهنما

scaled = [(house[j] - los[j]) / (his[j] - los[j]) for j in range(3)] و بعد return round(predict(scaled, w, b) * 100).

یک جواب درست

w = [2.0656, 0.1556, -0.4175]
b = 1.8372
los = [60.0, 1.0, 2.0]
his = [150.0, 4.0, 25.0]


def predict(x, w, b):
    return sum(w[j] * x[j] for j in range(len(w))) + b


def price_of(house):
    scaled = [(house[j] - los[j]) / (his[j] - los[j]) for j in range(3)]
    return round(predict(scaled, w, b) * 100)


test = [([95, 2, 12], 250), ([140, 4, 6], 390)]
total_error = 0
for house, real in test:
    guess = price_of(house)
    print(house, "real", real, "guess", guess)
    total_error += abs(guess - real)
print("mean error", total_error / len(test))

اول خودت امتحان کن؛ جواب‌های دیگر هم قبول است. برگرد و خودت حلش کن