Tutoriales de programación - página 8
Está perdiendo oportunidades comerciales:
- Aplicaciones de trading gratuitas
- 8 000+ señales para copiar
- Noticias económicas para analizar los mercados financieros
Registro
Entrada
Usted acepta la política del sitio web y las condiciones de uso
Si no tiene cuenta de usuario, regístrese
Gráfico de barras del programa R
Gráfico de barras del programa R
Hola a todos y bienvenidos a otra lección en video sobre el lenguaje de programación R. En el tutorial de hoy, aprenderemos cómo crear un gráfico de barras simple usando R.
Para comenzar, definamos un vector llamado "carros" con seis valores. Podemos lograr esto creando una variable llamada "automóviles" y asignándole los valores 2, 4, 7, 5, 10 y 12. Este vector representa los puntos de datos que queremos visualizar en nuestro gráfico de barras.
Ahora, pasemos a crear el gráfico de barras real. Utilizaremos la función "barplot()", que está específicamente diseñada para crear gráficos de barras en R. Como parámetro de entrada, pasamos el vector "cars" a la función.
Cuando ejecutamos el código, se generará un gráfico de barras en el lado derecho de la pantalla, mostrando los seis valores de nuestro vector "carros" como barras individuales.
Espero que haya encontrado útil e informativo este breve video tutorial sobre la creación de un gráfico de barras simple en el lenguaje de programación R. Si tiene alguna pregunta, no dude en dejarla en la sección de comentarios. Estén atentos al próximo video, donde profundizaremos en temas más emocionantes.
Programa de regresión lineal R Hacer predicciones
Programa de regresión lineal R Hacer predicciones
Hola a todos y bienvenidos a este video tutorial sobre el lenguaje de programación R.
En este tutorial, profundizaremos en el análisis de datos y nos centraremos en hacer predicciones utilizando el modelo de regresión lineal. La regresión lineal es una poderosa herramienta para modelar la relación entre una variable dependiente escalar (Y) y una o más variables independientes (X) en forma de ecuación de línea recta.
Para comenzar, seleccionemos un conjunto de datos adecuado para nuestra predicción. R proporciona numerosos conjuntos de datos integrados, a los que se puede acceder escribiendo data() y explorando las opciones disponibles. Para este tutorial, utilizaremos el conjunto de datos "mujeres", que contiene valores promedio de altura y peso para las mujeres estadounidenses. Podemos examinar el conjunto de datos escribiendo View(women) y observar su estructura con 15 filas y 2 columnas: altura y peso.
Nuestro objetivo es predecir el peso de una mujer en función de su altura. Para lograr esto, utilizaremos el modelo lineal. Comenzamos creando una variable llamada "modelo_lineal" y asignándole el resultado de la función lm(). Esta función requiere la especificación de la variable dependiente (Y) y la variable independiente (X). En este caso, el peso será la variable dependiente (Y) y la altura será la variable independiente (X), como lo indica la sintaxis peso ~ altura. Además, necesitamos especificar el conjunto de datos usando el parámetro de datos, que establecemos como "mujeres".
Habiendo definido nuestro modelo lineal, podemos examinar sus coeficientes. Estos coeficientes corresponden a la pendiente (M) y el intercepto (B) en la ecuación Y = MX + B. En nuestro caso, los coeficientes son -87.52 y 3.45, respectivamente. Por lo tanto, nuestro peso pronosticado (Y) se puede calcular multiplicando la altura (X) por la pendiente (3,45) y sumando la intersección (-87,52).
Para probar nuestra predicción, usemos un valor de altura de 59 pulgadas. Multiplicando esto por la pendiente (3,45) y sumando el intercepto (-87,52), obtenemos un peso previsto de 116,03, que está cerca del valor esperado de 117.
Ahora, visualicemos los datos y la línea de regresión lineal. Podemos trazar el conjunto de datos usando la función plot(), especificando los valores de Y y X, y el conjunto de datos como parámetro de datos. Al llamar a la función abline() con nuestro modelo lineal, podemos superponer la línea de regresión en el gráfico.
En conclusión, hemos explorado el proceso de hacer predicciones utilizando el modelo de regresión lineal en R. Es importante tener en cuenta que el conjunto de datos utilizado en este tutorial es relativamente pequeño y consta de solo 15 filas. En escenarios del mundo real, normalmente se emplean conjuntos de datos más grandes para predicciones más precisas. No obstante, la demostración proporciona una comprensión del proceso de regresión lineal.
Gracias por ver este videotutorial. Si tiene alguna pregunta, no dude en dejarla en la sección de comentarios. ¡Estén atentos para el próximo video!
Cómo instalar paquetes R
Cómo instalar paquetes R
Hola a todos y bienvenidos a este video. Hoy, quiero discutir el proceso de instalación de paquetes en R.
En particular, demostraré cómo instalar el paquete ggplot2, que se usa ampliamente para la visualización de datos. Para comenzar, noté que el paquete ggplot2 no está disponible actualmente en mi biblioteca. Cuando intento importarlo usando la biblioteca (ggplot2), aparece un mensaje de error que indica que no hay un paquete llamado ggplot2.
Para resolver este problema, necesito instalar el paquete ggplot2. Afortunadamente, instalar paquetes en R es sencillo. Podemos usar la función install.packages() seguida del nombre del paquete entre comillas. En este caso, ejecutaré el comando install.packages("ggplot2") y presionaré Enter.
Comienza el proceso de instalación y R comienza a descargar los archivos y datos necesarios para el paquete ggplot2 de Comprehensive R Archive Network (CRAN). Es importante tener una conexión a Internet durante este paso.
El paquete ggplot2 es conocido por su capacidad para crear gráficos visualmente atractivos y personalizables. Aprovecha la gramática de los gráficos para construir diagramas en capas, lo que proporciona una gran flexibilidad en la visualización de datos.
Una vez finalizada la instalación, podemos proceder a cargar el paquete ggplot2 en nuestro entorno. Para hacer esto, usamos la función library() y pasamos "ggplot2" como argumento. Al ejecutar la biblioteca (ggplot2), ya no encontramos el mensaje de error anterior, que indica que el paquete se instaló y cargó correctamente.
Gracias por ver este video tutorial sobre la instalación de paquetes en R. Si tiene alguna pregunta, no dude en dejarla en la sección de comentarios. No olvides darle me gusta a este video, suscribirte al canal para obtener más contenido y estar atento a la próxima lección en video.
Color del gráfico de barras del programa R
Color del gráfico de barras del programa R
Hola a todos, y bienvenidos a este video tutorial sobre el lenguaje de programación R. En esta sesión, usaremos RStudio para crear un gráfico de barras visualmente atractivo usando el lenguaje de programación R.
Para comenzar, abramos RStudio y configuremos nuestro entorno. Ya tenemos un objetivo específico en mente, que es crear un gráfico de barras. Pero esta vez, nos centraremos en hacer que se vea más agradable estéticamente.
Ahora, definamos un vector llamado "carros" con siete valores. Podemos lograr esto creando una variable llamada "coches" y asignándole un vector que contiene siete elementos. Usemos los valores 3, 5, 8, 6, 11, 12 y 4.
A continuación, utilizaremos la función "barplot()", tal como lo hicimos antes, para crear el gráfico de barras. Sin embargo, esta vez agregaremos algunos parámetros adicionales para mejorar la apariencia del gráfico.
Primero, agreguemos un título al gráfico. Usaremos el parámetro "principal" y lo estableceremos en "Autos" para darle a nuestro gráfico de barras un título descriptivo.
Además, queremos etiquetar el eje y, indicando que los valores representan el peso de los autos. Podemos lograr esto especificando el parámetro "ylab" y configurándolo en "Peso".
Además, debemos etiquetar el eje x para indicar que cada barra representa un tipo diferente de automóvil. Usaremos el parámetro "xlab" y lo estableceremos en "Tipo".
Por último, para agregar algo de atractivo visual, usemos diferentes colores para las barras. Estableceremos el parámetro "col" en "arco iris (7)" para crear un arco iris de siete colores distintos.
Una vez que ejecutemos el código, aparecerá el gráfico de barras en el lado derecho de la pantalla. Se titulará "Coches" y mostrará los valores de peso en el eje y y los diferentes tipos de coches en el eje x. Las barras en sí se colorearán con una vibrante paleta de arcoíris.
Espero que hayas encontrado este video tutorial útil y agradable. Si tiene alguna pregunta, no dude en preguntar. Recuerde dejar sus comentarios a continuación, y haré todo lo posible para abordarlos. Estén atentos para más tutoriales emocionantes en el próximo video.
Ejemplo de histograma de programación R
Ejemplo de histograma de programación R
Hola a todos, y bienvenidos a este tutorial sobre el lenguaje de programación R. En este video, exploraremos cómo crear un histograma simple usando R. ¡Comencemos!
Para comenzar, definiremos un vector llamado "suv's" con siete elementos. Podemos lograr esto creando una variable llamada "suv's" y asignándole un vector que contenga los valores 5, 5, 5, 5, 8, 8, 19, 45 y 100.
Ahora que tenemos configurado el vector de nuestro todoterreno, podemos proceder a crear un histograma. Esto se puede hacer usando la función "hist()". Pasaremos el vector "suv" como parámetro a la función.
Al ejecutar el código, se mostrará un histograma en el lado derecho de la pantalla. El eje y representa la frecuencia, mientras que el eje x representa el rango de valores. En este caso, podemos observar que el rango de 0 a 20 tiene una frecuencia de 5, lo que indica que hay cinco ocurrencias de valores dentro de ese rango. De manera similar, los rangos de 40 a 60 y de 80 a 100 tienen frecuencias de 3 y 1, respectivamente.
Espero que hayas encontrado este video tutorial informativo y sencillo. Crear un histograma usando R es una forma útil de visualizar la distribución de datos. Si tiene alguna pregunta o comentario, no dude en dejarlos a continuación. Estén atentos para más tutoriales emocionantes en el próximo video.
Subconjunto de programación R
Subconjunto de programación R
Hola chicos, y bienvenidos a este video sobre el lenguaje de programación R. En este tutorial, vamos a explorar la creación de subconjuntos, lo que implica extraer un subconjunto específico de datos. ¡Empecemos!
Supongamos que tenemos un vector llamado "X" que contiene los valores 12, 13, 56, 4, 5 y 89. Imprimiremos este vector en la consola para verificar su contenido.
Ahora, digamos que queremos extraer un subconjunto de los datos donde los valores son mayores que 10. Podemos lograr esto usando la expresión "X > 10". Esto nos dará un subconjunto de los datos donde todos los valores son mayores que 10.
A continuación, supongamos que queremos cambiar estos valores seleccionados a 4. Simplemente podemos asignar el valor 4 al subconjunto que obtuvimos anteriormente usando la expresión "X[X > 10] <- 4". Esto reemplazará todos los valores mayores de 10 en "X" con 4.
Imprimiendo la "X" modificada, podemos observar que los valores superiores a 10 se han cambiado a 4.
Ahora, trabajemos con algunos datos externos. Tenemos un archivo CSV ubicado en el escritorio y queremos leerlo en un marco de datos llamado "conjunto de datos". Con la función "read.csv()", especificamos la ruta y el nombre del archivo para importar los datos CSV. Al imprimir el "conjunto de datos", podemos ver las dimensiones (153 filas y 6 columnas) e identificar los valores faltantes etiquetados como "NA".
Continuando, exploremos varias manipulaciones con estos datos. Podemos extraer las dos primeras filas del conjunto de datos usando la función "head()", especificando "conjunto de datos" y el número de filas que queremos (2). Alternativamente, podemos usar la indexación por filas y columnas con "conjunto de datos [1: 2, ]" o "conjunto de datos [c (1, 2), ]". Todos estos métodos proporcionan el mismo resultado de recuperar las dos primeras filas.
Para determinar el número de filas en el conjunto de datos, podemos usar la función "nrow()" y pasar el "conjunto de datos" como argumento. Esto nos da el recuento de filas, que es 153.
Supongamos que queremos extraer las dos últimas filas del conjunto de datos. Podemos lograr esto usando la función "tail()" con "dataset" y especificando el número de filas (2). Se devuelven las dos últimas filas.
Ahora, busquemos el valor de la columna "ozono" en la fila 47. Podemos acceder directamente a él mediante la indexación, como "conjunto de datos [47, 'ozono']" o "conjunto de datos [47, 1]". Esto recupera el valor 21.
Alternativamente, podemos usar el nombre de la columna en lugar del índice de la columna. Por ejemplo, "conjunto de datos[47, 'ozono']" también devolverá 21.
Supongamos que queremos encontrar valores faltantes en la columna "ozono". Podemos crear un subconjunto del conjunto de datos usando la función "subconjunto()". El subconjunto constará de filas donde la columna "ozono" tiene valores "NA". Al imprimir el subconjunto, podemos ver que la columna "ozono" contiene solo valores "NA".
Para determinar el recuento de valores faltantes en la columna "ozono", podemos usar la función "nrow()" en el subconjunto, que nos da la respuesta 37.
En caso de que queramos eliminar los valores faltantes del conjunto de datos, podemos usar la función "na.omit()" y pasar el "conjunto de datos" como argumento. Esto devuelve un conjunto de datos con los valores faltantes eliminados.
Otra forma de lograr esto es usando la función "complete.cases()" con "dataset" como argumento. Proporciona el mismo resultado de eliminar filas con valores "NA".
Ahora, pasemos a encontrar el valor máximo de la columna "ozono" en el mes de mayo. Podemos crear un subconjunto del conjunto de datos usando la función "subconjunto()". Dentro de la función de subconjunto, especificamos las condiciones: el mes debe ser igual a 5 (que representa mayo) y la columna "ozono" no debe contener valores faltantes. Imprimiendo el subconjunto, podemos ver los datos filtrados.
Para obtener el valor máximo de este subconjunto sin inspeccionarlo visualmente, podemos usar la función "aplicar()". Al aplicar la función "max()" a las columnas del subconjunto, recuperamos el valor máximo. En este caso, lo aplicamos a la columna "ozono". El valor máximo de ozono en mayo se encuentra en 115.
En conclusión, hemos cubierto varias técnicas de creación de subconjuntos en R, incluida la extracción de subconjuntos en función de las condiciones, el acceso a elementos específicos mediante la indexación, el manejo de valores faltantes y la realización de cálculos en subconjuntos. Espero que hayas encontrado útil este tutorial. Si tiene alguna pregunta o comentario, no dude en dejarlos a continuación. No olvides suscribirte para recibir más tutoriales de programación en R. ¡Gracias por mirar, y nos vemos en el próximo video!
Subconjunto de programa R2
Subconjunto de programa R2
Hola chicos, bienvenidos a este video sobre el lenguaje de programación R. En este tutorial, vamos a encontrar la media de la longitud del sépalo para la especie 'virginica' en el conjunto de datos 'iris'. Comencemos explorando los conjuntos de datos predefinidos en R. Para ver los conjuntos de datos disponibles, usamos la función 'data()' sin ningún argumento. Esto muestra una lista de conjuntos de datos provistos en R. Para nuestro análisis, trabajaremos con el conjunto de datos 'iris'.
Carguemos el conjunto de datos 'iris' escribiendo 'data(iris)'. Esto carga todo el conjunto de datos, que consta de 150 filas y cinco columnas: longitud del sépalo, anchura del sépalo, longitud del pétalo, anchura del pétalo y especie. Para extraer un subconjunto que contenga solo la especie 'virginica', creamos una nueva variable llamada 'iris_subset'. Usando la operación de subconjunto, especificamos que queremos todas las filas donde la especie es igual a 'virginica'. Como también queremos todas las columnas, omitimos la especificación de la columna.
Imprimiendo el 'iris_subset', podemos observar que ahora tenemos un subconjunto del conjunto de datos 'iris' que contiene solo la especie 'virginica'. A continuación, estamos interesados en calcular la media de la longitud del sépalo para este subconjunto. Para centrarnos en la columna de longitud de sépalo, modificamos el 'subconjunto_iris' para incluir solo la columna de longitud de sépalo.
Ahora, convirtamos el 'iris_subset' en una matriz. Asignamos la matriz convertida a una nueva variable llamada 'iris_subset_matrix' usando la función 'as.matrix()'. Al convertirlo en una matriz, podemos aplicar operaciones matemáticas en columnas específicas. El 'iris_subset_matrix' se parece al subconjunto original, pero ahora es un objeto de matriz.
Para calcular la media de la longitud del sépalo, usamos la función 'mean()' en la columna de longitud del sépalo de 'iris_subset_matrix'. Esto nos da un valor medio de 6.588 para la longitud del sépalo de la especie 'virginica'.
Vale la pena mencionar que existen formas alternativas de realizar subconjuntos usando la función 'subset()'. Sin embargo, en este tutorial, demostramos un enfoque alternativo para manipular datos en R extrayendo subconjuntos, convirtiéndolos en matrices y realizando cálculos. Estas técnicas proporcionan flexibilidad en el análisis de datos.
¡Gracias por ver! Si tiene alguna pregunta o comentario, por favor déjelos a continuación. No olvides darle me gusta al video y suscribirte a nuestro canal para más tutoriales de programación en R. ¡Estén atentos para el próximo video!
Lectura de programación JSON R
Lectura de programación JSON R
Hola chicos, bienvenidos a este tutorial sobre el lenguaje de programación R. En este video, discutiremos cómo extraer información de JSON (Notación de objetos de JavaScript). Para demostrar esto, tengo la API de GitHub en segundo plano, que muestra información sobre todos mis repositorios. Puede ver mi nombre de usuario de GitHub resaltado, junto con una lista de repositorios, incluido 'awesome-tensorflow' que bifurqué de otro repositorio.
Para extraer y trabajar con estos datos, usaremos la biblioteca 'jsonlite' en R. Comencemos recuperando los datos del JSON. Crearemos una variable llamada 'json_data' y usaremos la función 'fromJSON()' para obtener los datos de una URL específica. Copiaré la URL de la API de GitHub y la pasaré como argumento a la función 'fromJSON()'.
Al ejecutar este código, obtenemos una trama de datos. Para confirmar la clase de 'json_data', usamos la función 'class()', que revela que de hecho es un marco de datos.
Ahora, exploremos el contenido de la variable 'json_data'. Podemos usar la función 'names()' para recuperar los nombres de los atributos en el marco de datos. Al escribir 'names(json_data)', obtenemos una lista de atributos, incluido 'name', que representa el nombre de cada repositorio.
Para extraer los nombres de todos mis repositorios, podemos acceder directamente al atributo 'nombre' usando la sintaxis 'json_data$name'. Esto revela los nombres de todos mis repositorios, que suman alrededor de 30.
A continuación, consideremos el escenario de convertir un marco de datos, como el conjunto de datos 'iris', en formato de notación de objetos de JavaScript (JSON). Para lograr esto, podemos usar la función 'toJSON()'. Por ejemplo, creemos una variable llamada 'my_json' y apliquemos la función 'toJSON()' al conjunto de datos 'iris'. Además, podemos incluir el parámetro 'pretty' para garantizar que el formato JSON resultante sea visualmente agradable.
Al imprimir 'my_json', podemos observar que el JSON tiene un formato limpio con la sangría adecuada. Muestra los atributos 'longitud del sépalo', 'ancho del sépalo', 'longitud del pétalo', 'ancho del pétalo' y 'especies' junto con sus valores correspondientes, como '6.3', '4.8', '1.8' y ' virginica'.
Si eliminamos el parámetro 'pretty' y volvemos a generar el JSON, se vuelve menos legible y se trunca debido a su longitud. Por lo tanto, se recomienda usar el parámetro 'bonita' para una mejor visualización.
Ahora, exploremos cómo volver a convertir el JSON en un marco de datos. Para lograr esto, podemos usar la función 'fromJSON()' y proporcionar la variable 'my_json' como parámetro. Ejecutar este código devuelve el marco de datos original, revirtiendo efectivamente el proceso de conversión.
¡Gracias por ver! Si tiene algún comentario o pregunta, no dude en dejarlos a continuación. Su opinion es muy apreciada. No olvides suscribirte a nuestro canal para obtener más tutoriales de programación en R. ¡Estén atentos para el próximo video!
Leer archivo CSV en R
Leer archivo CSV en R
Hola chicos, bienvenidos a este video tutorial sobre el lenguaje de programación R. En este tutorial, le mostraré cómo abrir un archivo CSV usando R. Para comenzar, ya abrí la documentación de ayuda de R en el lado derecho de la pantalla. Podemos ver que hay una función llamada 'read.csv()' que podemos usar para esta tarea. De forma predeterminada, esta función asume que el archivo tiene encabezados y los valores están separados por comas.
Vamos a crear una variable llamada 'my_data' para almacenar los datos del archivo CSV. Usaremos la función 'read.csv()' para leer el archivo. Podemos especificar la ruta del archivo como argumento de la función. Para obtener la ruta del archivo, tengo un archivo CSV que contiene datos de la casa, que obtuve del sitio web de Kaggle. Haré clic derecho en el archivo, iré a 'Propiedades' y copiaré la ubicación del archivo. Volviendo a RStudio, pegaré la ruta del archivo entre comillas.
Ahora, debemos incluir el nombre del archivo en la ruta del archivo. Agregaré una barra diagonal después de la ruta del archivo y pegaré el nombre del archivo. Es importante tener en cuenta que, dado que estoy usando una máquina con Windows, la ruta del archivo contiene barras inclinadas hacia atrás. Sin embargo, R requiere barras inclinadas hacia adelante o barras inclinadas hacia atrás con escape. Si ejecutamos el código ahora, encontraremos un error debido a las barras inclinadas hacia atrás. Para resolver esto, invertiremos manualmente las barras.
Presionamos ENTER para ejecutar el código. Como resultado, obtenemos un marco de datos llamado 'mis_datos' con 1460 observaciones o filas y 81 características o columnas. Podemos confirmar esto usando las funciones 'nrow()' y 'ncol()' con 'my_data'.
Para examinar los datos, podemos hacer doble clic en la variable 'my_data' en el panel Environment o usar el comando 'my_data' en la consola. Sin embargo, ver todo el marco de datos en la consola puede no ser muy legible. Por lo tanto, recomiendo hacer doble clic en 'mis_datos' para mostrar una tabla con un formato agradable.
Eso es todo por este tutorial, chicos! Gracias por ver. Espero que lo haya encontrado util. Si tiene alguna pregunta o comentario, no dude en dejarlos a continuación. No olvides suscribirte a nuestro canal para obtener más tutoriales de programación en R. ¡Estén atentos para el próximo video!
Regresión lineal múltiple en R
Regresión lineal múltiple en R
Hola chicos, bienvenidos a este video sobre el lenguaje de programación R. Hoy quiero hablar sobre la regresión lineal múltiple y demostrar cómo implementarla en RStudio. Para comenzar, necesitamos un conjunto de datos para el análisis. Ya tengo un archivo CSV llamado "real_estate.csv", que obtuve en línea. Puede encontrar el enlace para descargar este conjunto de datos en la descripción a continuación.
Comencemos creando una variable llamada 'my_data' y usemos la función 'read.csv()' para leer el archivo CSV en RStudio. Necesitamos especificar la ubicación y el nombre del archivo. Para obtener la ubicación, haré clic derecho en el archivo y haré clic en 'Propiedades' para copiar la ubicación del archivo. Después de pegar la ubicación, la escribiré entre comillas. Además, incluiré el nombre del archivo después de una barra diagonal y me aseguraré de invertir las barras diagonales para que coincidan con el formato requerido para las máquinas con Windows. La ejecución de este código crea el marco de datos 'my_data', que contiene 781 filas y 8 columnas.
Ahora, echemos un vistazo más de cerca al marco de datos. Tenemos varias columnas, que incluyen 'MLS' (número de servicio de listado múltiple), 'Ubicación', 'Precio', 'Habitaciones', 'Baños', 'Tamaño' (tamaño de la casa en pies cuadrados), 'Precio/pie cuadrado' y 'Estado' (tipo de venta). Con el fin de demostrar la regresión lineal múltiple, trabajaremos solo con columnas numéricas y excluiremos 'Ubicación' y 'Estado'.
Para crear un nuevo conjunto de datos, asignaré 'mis_datos' a una nueva variable llamada 'mis_datos2' y seleccionaré las columnas 1, 3, 4, 5, 6 y 7. Este nuevo conjunto de datos contiene 781 filas y 6 columnas.
Ahora, pasemos a crear nuestro modelo lineal. Crearé una variable llamada 'lin_mod' y la igualaré a la función 'lm()', que significa modelo lineal. Queremos predecir el 'Precio' en función de características como 'MLS', 'Dormitorios', 'Baños', 'Tamaño' y 'Precio/pie cuadrado'. Al especificar 'Precio' como la variable dependiente e incluir las otras características, podemos construir nuestro modelo lineal utilizando el conjunto de datos 'my_data2'.
Para obtener un resumen de nuestro modelo lineal, usaré la función 'summary()' en 'lin_mod.' El resumen proporciona información sobre los residuos, los coeficientes y los valores de p. La importancia de las variables se puede determinar visualmente usando estrellas, donde tres estrellas indican una alta importancia.
Ahora que tenemos nuestro modelo lineal, intentemos hacer una predicción. Crearé una variable llamada "precio" y la igualaré al coeficiente de intersección menos 7,34, más los coeficientes de las variables multiplicados por sus respectivos valores de la última fila de la tabla. Por ejemplo, multiplicaremos el valor 'MLS' por su coeficiente y lo sumaremos a la ecuación. Del mismo modo, incluiremos 'Habitaciones', 'Baños', 'Tamaño' y 'Precio/pie cuadrado' en la ecuación de predicción.
Imprimamos el precio pronosticado y comparémoslo con el precio real de la última fila del conjunto de datos. El precio previsto debería rondar los 1.100.000 dólares. Después de ejecutar el código, obtenemos un precio previsto de $1,023,000, que es aproximadamente $77,000 menos que el precio real. Aunque la diferencia es significativa, puede que no sea una gran preocupación para los compradores que están considerando una casa de un millón de dólares.
Espero que hayas encontrado este video informativo y agradable. Si tiene alguna pregunta o comentario, por favor déjelos a continuación. No olvides darle me gusta a este video y estar atento a más tutoriales. Gracias por mirar, y te veré en el próximo.