[背景音乐]
翻译: RyukaSuu |审阅: 19waa
Coursera Global Translator Community 我们已经学习了 通过两种不同的模型来训练我们的数据 第一个模型仅仅使用了房屋面积这个特征 第二个模型使用了更多更详细的特征 让我们来运用这些模型 让我们来看怎么实际操作来预测房屋价格 我们要做的是把我们训练的模型 去预测3个数据中的房屋的价格 三个不同的房屋 第一个房屋是 他们有着不同的 房屋面积 不同的性质 他们看起来也不同 也处于不同的小区位置 让我们先看一下 第一个来自我们data这个数据中的房屋时 我们要做的就是  额这个数据其实不是来自于data 而是来自于销售数据（sales data）（教授把两个数据来源记错名字了） 在我们的销售数据中 我要去选一个房屋 它的ID（代码）会是一个特定的ID （代码） 所以说 记录给了我们每一个房子的id 这是一串数字 第一个房子的id 是5309 是101200 所以说每一个房子都有着自己的ID 我们现在正在选择 对于房屋1 你会看到 这就是这个id 房子的数据 它卖了620000美元 它有着四个卧室 两个卫生间 2400平方尺的居住空间 等等等等 接下来要在Python Notebook 做的就是 我们不光可以在里面放置Python的代码 文本 还可以在notebook中插入HTML和图片 我们来给你举个例子 我在输入xm 我会添加一个图片在Notebook(笔记本中） 这个图片 是我从郡记录哪里下载的 某一个房子的照片 这个图片正在我的路径中 叫做房屋 53个房子 它的ID是什么 噢是09101200 非常完美 当我看到房子的照片的时候 我们即将要预测 噢糟了 我输错了 我忘记了 这个照片的格式是.jpg 恩现在好了 这就是我们要预测价格的房屋照片 这个房子在2014年卖了620000 四个卧室 两个卫生间 1929年造的 我们可以看我们模型预测的价格是多少 我们有两个模型 第一个模型 恩这个房子的价格是 让我们打印出来以免忘记 这就是房屋1的售价 恩200（口误） 我就直接打印出来 看起来更清楚 恩房屋售价是620000 让我们看看第一个模型预测的价格 这是一个简单的只用了房屋面积这个特征的模型 我现在输入predict 房屋1的售价 第一个模型告诉我们 它的售价是628000 恩非常接近真实售价 完美 那我们看看添加了更多特征的第二个模型吧 my_feature_model.predict（house1） 输入这个指令 你要记住 普遍情况下 越多的特征被添加进模型 你会得到更好的结果 但是你看到它给出的预测是720000 所以说第一个模型比第二个有着更多的特征的模型 有着更好的预测结果 所以我们这里学到的是 在通常情况下 添加更多的特征会有这更好的预测结果 但是对于某一个特定的房屋 简单的模型反而会比复杂的模型来的更好 不过我们所预期的是 有着更多特征的模型 有时候会更好 普遍情况下会更好 [背景音乐]
翻译: RyukaSuu |审阅: 19waa
Coursera Global Translator Community