In [3]:
import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
from sklearn import linear_model
In [4]:
evFiyatlari = pd.read_csv('http://bit.ly/2lbjNzm')
In [5]:
evFiyatlari
Out[5]:
In [6]:
#plt.style.available
In [7]:
plt.style.use('seaborn-talk')
plt.scatter(evFiyatlari['CrimeRate'], evFiyatlari['HousePrice'])
plt.xlabel('Suç Oranı')
plt.ylabel('Ev Fiyatı')
plt.show()
In [8]:
regr = linear_model.LinearRegression()
In [10]:
print(evFiyatlari.shape)
In [11]:
evFiyatlari['CrimeRate'].shape
Out[11]:
In [12]:
regr.fit(evFiyatlari['CrimeRate'].values.reshape(99, 1), evFiyatlari['HousePrice'].values.reshape(99, 1))
Out[12]:
In [15]:
regr.predict(400)
Out[15]:
In [16]:
plt.style.use('seaborn-talk')
plt.scatter(evFiyatlari['CrimeRate'], evFiyatlari['HousePrice'])
plt.plot(evFiyatlari['CrimeRate'], regr.predict(evFiyatlari['CrimeRate'].values.reshape(99,1)), color='red', linewidth=1, linestyle="-")
plt.xlabel('Suç Oranı')
plt.ylabel('Ev Fiyatı')
plt.show()
In [17]:
regr.coef_
Out[17]:
In [18]:
evFiyatlari_t = evFiyatlari[evFiyatlari['CrimeRate'] < 100]
In [39]:
plt.style.use('seaborn-talk')
plt.scatter(evFiyatlari_t['CrimeRate'], evFiyatlari_t['HousePrice'])
plt.xlabel('Suç Oranı')
plt.ylabel('Ev Fiyatı')
plt.show()
In [19]:
# new_row_count = evFiyatlari_t.shape[0]
# new_row_count = len(evFiyatlari_t)
new_row_count = evFiyatlari_t['CrimeRate'].size
plt.style.use('seaborn-talk')
plt.scatter(evFiyatlari_t['CrimeRate'], evFiyatlari_t['HousePrice'])
plt.plot(evFiyatlari_t['CrimeRate'], regr.predict(evFiyatlari_t['CrimeRate'].values.reshape(new_row_count,1)), color='red', linewidth=1, linestyle="-")
plt.xlabel('Suç Oranı')
plt.ylabel('Ev Fiyatı')
plt.show()
In [20]:
regr.predict(10)
Out[20]:
In [21]:
evFiyatlari_t
Out[21]:
In [ ]: