🏡 Napoved cene nepremičnin
Za to nalogo morate implementirati regresijski model, ki je sposoben napovedati vrednost cene hiše (Price) z uporabo razpoložljivega nabora podatkov.
Uspešnost modela se bo ocenjevala na podlagi povprečne absolutne napake (MAE).
📊 Nabor podatkov
Nabor podatkov je organiziran v CSV datoteki in vsebuje naslednje stolpce:
- Square_Footage: Površina hiše
- Num_Bedrooms: Število spalnic
- Num_Bathrooms: Število kopalnic
- Year_Built: Leto gradnje
- Lot_Size: Velikost parcele
- Garage_Size: Velikost garaže
- Neighborhood_Quality: Kakovost soseske
- Footage_to_Lot_Ratio: Razmerje med površino hiše in velikostjo parcele
- Total_Rooms: Skupno število sob
- Age_of_House: Starost hiše
- Garage_to_Footage_Ratio: Razmerje med velikostjo garaže in površino hiše
- Avg_Room_Size: Povprečna velikost sob
- Price: Ciljna spremenljivka, cena hiše (numerična vrednost)
- House_Orientation_Angle: Kot orientacije hiše
- Street_Alignment_Offset: Poravnava ulice
- Solar_Exposure_Index: Indeks sončne izpostavljenosti
- Magnetic_Field_Strength: Jakost magnetnega polja
- Vibration_Level: Raven vibracij
🧩 Naloge
🔹 Podnaloga 1 (10p)
Za vsako nepremičnino iz testnega nabora določite ocenjeno skupno površino kot vsoto:
Square_Footage + Garage_Size + Lot_Size.
🔹 Podnaloga 2 (10p)
Za vsako nepremičnino iz testnega nabora izračunajte razmerje:
Garage_Size / Total_Rooms
Rezultat bo dodan kot nov stolpec: Garage_to_Room_Ratio.
🔹 Podnaloga 3 (10p)
Izračunajte indeks stabilnosti okolja:
🔹 Podnaloga 4 (10p)
- Izračunajte povprečje stolpca
Square_Footage na učnem naboru.
- Za vsako nepremičnino iz testnega nabora določite:
|Square_Footage - Mean(Square_Footage_train)|
🔹 Podnaloga 5 (60p)
Zgradite regresijski model za napoved polja Price, z uporabo učnega nabora dataset_train.csv.
Določite napovedi na evalvacijskem naboru dataset_eval.csv (ki ne vsebuje stolpca Price).
🧠 Opombe o naboru podatkov
- Ciljno polje:
Price
- Numerične spremenljivke lahko uporabite neposredno za regresijo.
- Priporoča se obravnavanje manjkajočih vrednosti in uporaba skaliranja/normalizacije za izboljšanje uspešnosti modela.
🧮 Kriteriji ocenjevanja
- Uspešnost: Model mora doseči čim manjšo MAE.
Formula za izračun MAE:
kjer:
N = število primerov iz testnega nabora,y_i = dejanska vrednost,y^_i = vrednost, ki jo napove model.
💡 Opomba
Če boste poslali sample_output, boste prejeli 5 točk.
🗂️ Koristni viri
