

In [129]:

    
import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
from sklearn import linear_model



In [130]:

    
#Bisiklte kiralama veirlerini yükledik
bisikletKiralama=pd.read_csv("http://bit.ly/2m1hi2j")



In [131]:

    
#Şimdi elimizdeki özellikleri görmek için ilk 3 satırı yazdıralım....
bisikletKiralama.head(3)

x ekseninde rüzgar hızı windspeed y ekseninde kiralama (cnt) sayısı olacak biçimde verinin "scatter plot" halini çizdirelim. Matplot Kullanmalısınız



In [132]:

    
plt.style.use('seaborn-talk')
plt.scatter(bisikletKiralama['windspeed'], bisikletKiralama['cnt'])
plt.xlabel('Rüzgar Hızı')
plt.ylabel('Kiralama Sayısı')
plt.show()



In [133]:

    
# Bisiklet kiralamayı etkileyen faktörler nelerdir ?
# cevap :

Rüzgar hızını (windspeed) kullanarak, kiralamayı tahmin edebileceğiniz tek parametreli bir regresyon modeli kurunuz



In [134]:

    
model1=linear_model.LinearRegression()
count = len(bisikletKiralama.index)
model1.fit(bisikletKiralama['windspeed'].values.reshape(731, 1), bisikletKiralama['cnt'].values.reshape(731, 1))
model1.predict(0.1)









    Out[134]:





array([[ 5034.861602]])



In [135]:

    
#Modelinizi ve verinin endisini yazdırınız.
plt.style.use('seaborn-talk')
plt.scatter(bisikletKiralama['windspeed'], bisikletKiralama['cnt'])
plt.plot(bisikletKiralama['windspeed'], model1.predict(bisikletKiralama['windspeed'].values.reshape(count,1)), color='red')
plt.xlabel('Rüzgar Hızı')
plt.ylabel('Kiralama Sayısı')
plt.show()

Bazı verileri (outlier) temizleyerek yeniden model oluşturacağız

Sadece 500 den büyük kiralamaları ve rüzgar hızı 0.4 den küçük olan verileri yeni bir dataframe de birleştiriniz. (bisikletKiraYeni)
Matplot kullanarak. bu verileri scatter plot ile çiziniz.



In [136]:

    
filter1 = bisikletKiralama['cnt'] > 500
filter2 = bisikletKiralama['windspeed'] < 0.4
bisikletKiralama = bisikletKiralama[(filter1) & (filter2)]
count = bisikletKiralama.count()



In [137]:

    
plt.style.use('seaborn-talk')
plt.scatter(bisikletKiralama['windspeed'], bisikletKiralama['cnt'])
plt.xlabel('Rüzgar Hızı')
plt.ylabel('Kiralama Sayısı')
plt.show()



In [138]:

    
# Temizlenmiş verileri kullanarak model2 adında yeni bir model oluşturunuz.
model2=linear_model.LinearRegression()
count = len(bisikletKiralama.index)
model2.fit(bisikletKiralama['windspeed'].values.reshape(count, 1), bisikletKiralama['cnt'].values.reshape(count, 1))









    Out[138]:





LinearRegression(copy_X=True, fit_intercept=True, n_jobs=1, normalize=False)



In [139]:

    
plt.style.use('seaborn-talk')
plt.scatter(bisikletKiralama['windspeed'], bisikletKiralama['cnt'])
plt.plot(bisikletKiralama['windspeed'], model2.predict(bisikletKiralama['windspeed'].values.reshape(count,1)), color='red')
plt.xlabel('Rüzgar Hızı')
plt.ylabel('Kiralama Sayısı')
plt.show()

Her iki modelin katsayılarını yazdırınız. Aralarında bir fark var mı ? Bu fark rüzgar hızına göre kiralamayı sizce nasıl etkiliyor ?



In [140]:

    
# İki modelin tahmin ettiği değerler neredeyse aynı. Rüzgar hızı yaklaşık %10 ile kiralama sayısını etkiliyor.
print(model1.coef_, model2.coef_)









    



[[-5862.91276042]] [[-5624.26769234]]

RSS i hesaplayınız

Aşağıda tek bir nokta için yardımcı olması amacı ile bir hesap verilmiştir. siz tüm veri noktaları için bu hesabı yapınız ve toplam hatayı bulunuz.



In [141]:

    
# Sadece anlamaya çalışınız bu satırlar toplam hatayı hesaplamanıza yardımcı olacak
#bisKiralamaClear[:1]
#lets show them how to predict single data
print(bisikletKiralama[:1]['windspeed'].values.reshape(-1,1),bisikletKiralama[:1]['cnt'])
#model2.predict(bisikletKiralama[:1]['windspeed'].values.reshape(-1,1))









    



[[ 0.160446]] 0    985
Name: cnt, dtype: int64



In [142]:

    
rssSingle=(bisikletKiralama[:1]['cnt'].values.reshape(-1,1) - model2.predict(bisikletKiralama[:1]['windspeed'].values.reshape(-1,1))) ** 2



In [143]:

    
#RSS for single point
rssSingle









    Out[143]:





array([[ 13735246.47181638]])



In [144]:

    
#Şimdi sizin sıranız. Toplam hatayı hesaplayınız.



In [145]:

    
RSS = ((bisikletKiralama[:]['cnt'].values.reshape(-1,1) - model2.predict(bisikletKiralama[:]['windspeed'].values.reshape(-1,1))) ** 2).sum()
RSS









    Out[145]:





2528245723.029017

	instant	dteday	season	mnth	weekday	workingday	weathersit	temp	atemp	hum	windspeed	casual	registered	cnt
0	1	2011-01-01	1	1	6	0	2	0.344167	0.363625	0.805833	0.160446	331	654	985
1	2	2011-01-02	1	1	0	0	2	0.363478	0.353739	0.696087	0.248539	131	670	801
2	3	2011-01-03	1	1	1	1	1	0.196364	0.189405	0.437273	0.248309	120	1229	1349