Reto 9: Regresando

Tarefa 1: Engadindo interactividade á predición do custo das casas

Duración:: 30 min
Agrupamento:: 2

Intenta engadir funcionalidade iterativa cun bucle while: True nos tres programas da actividade 2 de Regresión (Pasos 1, 2 e 3), de xeito que:

Pregunte á persona usuaria o novo dato a predicir.
Use o modelo para realizar a predición.
Pregunte á persona usuaria se o modelo acertou ou non.
Cando non acerta, pregunte e engada o dato ao conxunto de adestramento e reentrene o modelo.
Realice a gráfica (Pasos 2 e 3) actualizada cos novos datos
Pregunte se queremos introducir máis datos para predecir

Paso 1 : PROGRAMA REGRESIÓN SIMPLE

Paso 2 : PROGRAMA REGRESIÓN SIMPLE CON GRÁFICA

Paso 3 : PROGRAMA REGRESIÓN MULTIVARIABLE

Código Python: Prezo dunha casa por tamaño interactivo

# PROGRAMA REGRESIÓN SIMPLE
#Importar as librerías necesarias
from sklearn.linear_model import LinearRegression

# Datos de exemplo: tamaño das casas (m²) e os seus prezos (€)
tamano_casas = [[50], [80], [100], [150], [200]]  # Área en m²
prezos_casas = [100000, 180000, 240000, 300000, 400000]  # Prezo en euros

# Crear o modelo de regresión lineal
modelo_regresion = LinearRegression()

# Adestrar o modelo cos datos de entrada (tamaño das casas) e saída (prezos)
modelo_regresion.fit(tamano_casas, prezos_casas)


while True:
    # Solicitar ao usuario o tamaño da casa
    novo_tamano = float(input("Introduce o tamaño da casa en m² para predicir o prezo: "))
    predicion = modelo_regresion.predict([[novo_tamano]])
    print(f"O prezo predito para unha casa de {novo_tamano} m² é: {predicion[0]:.2f} €")

    # # Preguntar se o modelo acertou e se non acertou, pedir prezo real, reentrenar o modelo co novo dato para "aprender"
    resposta = input("¿O prezo é correcto? (si/non): ").strip().lower()
    if resposta == "non":
        novo_prezo = float(input("Introduce o prezo correcto: "))
        # Engadir os novos datos ao conxunto
        tamano_casas.append([novo_tamano])
        prezos_casas.append(novo_prezo)

        # Reentrenar o modelo e imprimir os novos datos de entrenamento
        modelo_regresion.fit(tamano_casas, prezos_casas)
        print(f"Datos de adestramento actuais: {list(zip(tamano_casas, prezos_casas))}")


    continuar = input("¿Queres introducir outro dato? (si/non): ").strip().lower()
    if continuar != "si":
        print("Programa finalizado. Ata logo!")
        break

Código Python: Prezo dunha casa por tamaño con gráfica interactivo

#PROGRAMA REGRESIÓN SIMPLE CON GRÁFICA
# Importar bibliotecas necesarias
import numpy as np
import matplotlib.pyplot as plt
from sklearn.linear_model import LinearRegression

# Datos de exemplo ampliados: tamaño das casas (m²) e prezos (€)
tamano_casas = np.array([[50], [80], [100], [150], [200], [250], [300]])  # Áreas ampliadas
prezos_casas = np.array([100000, 180000, 240000, 300000, 400000, 500000, 600000])  # Prezos ampliados

# Crear o modelo de regresión
modelo = LinearRegression()

# Adestrar o modelo cos datos ampliados
modelo.fit(tamano_casas, prezos_casas)

#Gráfica inicial
plt.ion()
plt.scatter(tamano_casas, prezos_casas, color='blue', label='Datos reais')
plt.plot(tamano_casas, modelo.predict(tamano_casas), color='red', label='Liña de regresión')
plt.xlabel("Tamaño da casa (m²)")
plt.ylabel("Prezo da casa (€)")
plt.title("Liña de regresión actualizada")
plt.legend()
plt.grid(True)
plt.pause(0.1)

while True:
    # Solicitar ao usuario o tamaño da casa
    novo_tamano = float(input("Introduce o tamaño da casa en m² para predicir o prezo: "))
    predicion = modelo.predict([[novo_tamano]])
    print(f"O prezo predito para unha casa de {novo_tamano} m² é: {predicion[0]:.2f} €")

    # Preguntar se o modelo acertou e se non acertou, pedir prezo real, reentrenar o modelo co novo dato para "aprender" e actualizar a gráfica
    resposta = input("¿O prezo é correcto? (si/non): ").strip().lower()
    if resposta == "non":
        novo_prezo = float(input("Introduce o prezo correcto: "))
        # Engadir os novos datos ao conxunto
        tamano_casas = np.append(tamano_casas, [[novo_tamano]], axis=0)
        prezos_casas = np.append(prezos_casas, novo_prezo)
        # Reentrenar o modelo e imprimir novos datos de entrenamento
        modelo.fit(tamano_casas, prezos_casas)
        #print(f"Datos de adestramento actuais: {list(zip(tamano_casas, prezos_casas))}")
        # Actualizar a gráfica con novos datos
        plt.ion()
        plt.scatter(tamano_casas, prezos_casas, color='blue', label='Datos reais')
        plt.plot(tamano_casas, modelo.predict(tamano_casas), color='red', label='Liña de regresión')
        plt.xlabel("Tamaño da casa (m²)")
        plt.ylabel("Prezo da casa (€)")
        plt.title("Liña de regresión actualizada")
        plt.legend()
        plt.grid(True)
        plt.pause(0.1)

    #Se a resposta do modelo é correcta, nin se actualizan os datos de entreno, nin se grafica
    

    continuar = input("¿Queres introducir outro dato? (si/non): ").strip().lower()
    if continuar != "si":
        print("Programa finalizado. Ata logo!")
        break

Código Python: Prezo de casa por tamaño e habitacións graficado e interactivo

#PROGRAMA REGRESIÓN MULTIVARIABLE
# Importar bibliotecas necesarias
import numpy as np
import pandas as pd
import seaborn as sns
import matplotlib.pyplot as plt
from sklearn.linear_model import LinearRegression

# Datos de exemplo: tamaño (m²), número de habitacións e prezos (€)
datos_casas = np.array([[50, 2], [80, 3], [100, 3], [150, 4], [200, 4], [250, 5], [300, 6]])
prezos_casas = np.array([100000, 180000, 240000, 300000, 400000, 500000, 600000])

# Crear o modelo de regresión
modelo = LinearRegression()

# Adestrar o modelo cos datos iniciais
modelo.fit(datos_casas, prezos_casas)

# Función para crear ou actualizar o DataFrame
def actualizar_dataframe():
    global datos
    datos = pd.DataFrame({
        'Tamaño (m²)': datos_casas[:, 0],
        'Habitacións': datos_casas[:, 1],
        'Prezo (€)': prezos_casas
    })

# Función para actualizar a gráfica
def actualizar_grafica():
    plt.ion()
    plt.figure(figsize=(10, 6), facecolor="#fffbe6")  # Fondo amarelo suave
    sns.scatterplot(
        x='Tamaño (m²)', 
        y='Prezo (€)', 
        size='Habitacións', 
        hue='Habitacións', 
        palette='viridis', 
        data=datos, 
        sizes=(50, 300),
        legend='brief'
    )
    plt.title('Relación entre tamaño, habitacións e prezo das casas', fontsize=14)
    plt.xlabel('Tamaño da casa (m²)', fontsize=12)
    plt.ylabel('Prezo da casa (€)', fontsize=12)
    plt.legend(title="Habitacións", loc='upper left', bbox_to_anchor=(1, 1))
    plt.grid(True)
    plt.pause(0.1)

# Actualizar o DataFrame inicial
actualizar_dataframe()
# Mostrar a gráfica inicial
actualizar_grafica()

# Bucle interactivo
while True:
    # Solicitar ao usuario o tamaño e o número de habitacións
    novo_tamano = float(input("Introduce o tamaño da casa en m² para predicir o prezo: "))
    novo_habitacions = int(input("Introduce o número de habitacións: "))
    
    # Realizar a predición
    predicion = modelo.predict([[novo_tamano, novo_habitacions]])
    print(f"O prezo predito para unha casa de {novo_tamano} m² con {novo_habitacions} habitacións é: {predicion[0]:.2f} €")

    # Preguntar se o modelo acertou
    resposta = input("¿O prezo é correcto? (si/non): ").strip().lower()
    if resposta == "non":
        # Solicitar o prezo correcto
        novo_prezo = float(input("Introduce o prezo correcto: "))
        # Engadir os novos datos ao conxunto
        datos_casas = np.append(datos_casas, [[novo_tamano, novo_habitacions]], axis=0)
        prezos_casas = np.append(prezos_casas, novo_prezo)
        # Reentrenar o modelo
        modelo.fit(datos_casas, prezos_casas)
        # Actualizar o DataFrame e a gráfica
        actualizar_dataframe()
        print("Gráfica actualizada cos novos datos de adestramento")
        actualizar_grafica()

    # Preguntar se o usuario quere continuar
    continuar = input("¿Queres introducir outro dato? (si/non): ").strip().lower()
    if continuar != "si":
        print("Programa finalizado. Ata logo!")
        break

Rúbrica de avaliación

**Rúbrica Reto 9-Tarefa 1: Engadindo interactividade á predición do custo das casas**
Criterio	Excelente (9-10)	Bo (7-8)	Aceptable (5-6)	Mellorable (3-4)	Moi mellorable (0-2)
Implementación da iteración	Engade correctamente un bucle iterativo para introducir novos datos e actualizar o modelo.	Iteración ben implementada pero con pequenas melloras posibles.	Iteración realizada pero con problemas na repetición dos pasos.	Erro ao xestionar a iteración correctamente.	Non implementa funcionalidade iterativa.
Predición e verificación dos resultados	Permite ao usuario revisar e avaliar as predicións do modelo con opción de corrección.	Verificación implementada pero con pequenas dificultades.	Verificación realizada pero con problemas na actualización dos datos.	Erro ao verificar ou modificar os resultados.	Non implementa ningunha verificación dos resultados.
Reentrenamento dinámico do modelo	O modelo engade novos datos e mellora a súa precisión ao longo do tempo.	Reentrenamento ben feito pero con melloras posibles na súa optimización.	Modelo reentrenado pero con problemas na xestión dos datos.	Erro ao reentrenar o modelo correctamente.	Non realiza o reentrenamento dinámico.
Actualización gráfica en tempo real	A gráfica mostra correctamente os novos datos e a liña de regresión actualizada.	Actualización visual ben feita pero con melloras posibles.	Gráfico actualizado pero con problemas de visibilidade ou escalado.	Erro na actualización do gráfico.	Non implementa a visualización gráfica dinámica.
Interacción co usuario	Solicita correctamente a entrada de datos, permite continuar ou rematar e dá opción de corrección.	Interacción ben xestionada pero con pequenas melloras posibles.	Interacción realizada pero con dificultades na fluidez do proceso.	Erro na comunicación dos resultados ao usuario.	Non implementa interacción co usuario.
Xestión de datos en tempo real	O programa actualiza e mantén correctamente o conxunto de datos, evitando duplicidades e erros.	Xestión de datos adecuada pero con posibles melloras.	Xestión de datos funcional pero con algunhas inconsistencias.	Erro na actualización dos datos.	Non implementa a xestión de datos en tempo real.
Actitude ante os problemas	Busca solucións e optimiza os procesos de regresión.	Resolve os problemas con esforzo e consulta documentación.	Resolve con dificultades pero sen explorar melloras.	Resígnase ante os erros sen buscar alternativas.	Non intenta resolver os problemas ou abandona o traballo.
Traballo colaborativo	Comunicación eficaz e traballo equilibrado en parella.	Traballo en equipo con pequenas dificultades.	Interacción mínima, traballo case independente.	Pouca colaboración, realízase gran parte do traballo de forma individual.	Non colabora coa parella nin contribúe ao traballo conxunto.

Tarefa 2 : Urbano frente a rural

Duración:: 30 min
Agrupamento:: 2

Neste exercicio, debes ampliar o modelo de regresión do Paso 2 da actividade de aprendizaxe incorporando unha nova variable: zona (urbana ou rural). A zona urbana terá prezos máis elevados incluso para casas máis pequenas, e a zona rural terá prezos máis baixos.

Tarefa:

Engadir a variable zona ao conxunto de datos, onde Urbana = 1 Rural = 0
Modificar o programa para que teña en conta esta nova variable ao calcular os prezos.
Crear unha gráfica axeitada para visualizar como afecta esta variable zona ao prezo, xunto co tamaño e o número de habitacións.

Pistas:

Engade a nova variable como unha columna ao conxunto de datos datos_casas( como xa fixeches coas habitacións).
Modifica o modelo de regresión para incluír esta terceira variable.
Actualiza o DataFrame para incluir a nova variable zona.
Usa unha gráfica 3D ou unha gráfica con cores e tamaños diferenciados para amosar a relación entre zona, prezo, tamaño e número de habitacións.

Programa

Explicación da solución:

Engadir a nova variable "zona":

A variable "zona" foi engadida como unha terceira columna na matriz datos_casas, onde 1 representa unha zona urbana e 0 representa unha zona rural.
Os prezos foron axustados para que as zonas urbanas sexan máis caras, incluso para casas máis pequenas.

Actualización do modelo:

O modelo foi adestrado con tres variables: tamaño, número de habitacións e zona.
Predición: O modelo pode predicir agora o prezo dunha casa tendo en conta se está nunha zona urbana ou rural.

Visualización:

A gráfica foi modificada para que a cor represente a zona (usando unha paleta de cores coolwarm que diferencia entre urbana e rural).
Os tamaños dos puntos indican o número de habitacións.
Así podes observar claramente como a zona e outras variables afectan o prezo.

Interpretación do modelo:Os coeficientes do modelo (modelo.coef_) mostran o impacto de cada variable (tamaño, habitacións, zona) no prezo. Un valor máis alto para a variable "zona" indica que ser urbana incrementa significativamente o prezo.

Gráfica adecuada:A gráfica utilizada (dispersión de puntos con cor para a variable "zona" e tamaño para as "habitacións") é a máis axeitada para visualizar tres variables relacionadas co prezo. En combinación, ofrece unha visión clara de como estas variables afectan o prezo da casa.

Código Python: Prezo dunha casa según tamaño, habitacións e zona

# Importar bibliotecas necesarias
import numpy as np
import pandas as pd
import seaborn as sns
import matplotlib.pyplot as plt
from sklearn.linear_model import LinearRegression

# Datos de exemplo: tamaño (m²), número de habitacións, zona (1 = urbana, 0 = rural) e prezos (€)
# A zona agora está incluída como unha terceira variable
datos_casas = np.array([
    [50, 2, 1],  # Casa pequena, urbana
    [80, 3, 0],  # Casa pequena, rural
    [100, 3, 1], # Casa mediana, urbana
    [150, 4, 0], # Casa mediana, rural
    [200, 4, 0], # Casa grande, rural
    [250, 5, 1], # Casa grande, urbana
    [300, 6, 0]  # Casa moi grande, rural
])
prezos_casas = np.array([150000, 160000, 270000, 280000, 350000, 550000, 400000])  # Prezos axustados a zona

# Crear o modelo de regresión
modelo = LinearRegression()

# Adestrar o modelo cos datos de entrada (tamano, habitacións, zona) e saída (prezos)
modelo.fit(datos_casas, prezos_casas)

# Predicir o prezo dunha casa de 120 m², con 3 habitacións, nunha zona urbana (zona = 1)
datos_prediccion = np.array([[120, 3, 1]])  # Tamaño, número de habitacións e zona
prezo_predito = modelo.predict(datos_prediccion)

# Mostrar o resultado da predición
print(f"O prezo dunha casa de 120 m², 3 habitacións e zona urbana será: {prezo_predito[0]:.2f} €")

# Crear un DataFrame para visualizar os datos
datos = pd.DataFrame({
    'Tamaño (m²)': datos_casas[:, 0],
    'Habitacións': datos_casas[:, 1],
    'Zona': datos_casas[:, 2],
    'Prezo (€)': prezos_casas
})

# Visualización utilizando Seaborn
# As cores representan a zona (0 = rural, 1 = urbana)
sns.set(style="whitegrid")
plt.figure(figsize=(12, 8))
ax = sns.scatterplot(
    x='Tamaño (m²)', 
    y='Prezo (€)', 
    size='Habitacións', 
    hue='Zona',  # Usar a variable "Zona" para colorear
    palette='coolwarm', 
    data=datos, 
    sizes=(50, 300),
    legend='full'
)
plt.title('Impacto do tamaño, habitacións e zona no prezo das casas', fontsize=16)
plt.xlabel('Tamaño da casa (m²)', fontsize=12)
plt.ylabel('Prezo da casa (€)', fontsize=12)
plt.legend(title="Zona (0=Rural, 1=Urbana)", loc='upper left')
plt.grid(True)
plt.show()

# Mostrar coeficientes do modelo para interpretar as variables
print("Coeficientes do modelo (Tamaño, Habitacións, Zona):", modelo.coef_)
print("Intersección (bias):", modelo.intercept_)

Rúbrica de avaliación

**Rúbrica Reto 9-Tarefa 2: Urbano frente a rural**
Criterio	Excelente (9-10)	Bo (7-8)	Aceptable (5-6)	Mellorable (3-4)	Moi mellorable (0-2)
Definición correcta dos datos iniciais	Os datos de tamaño, habitacións e zona están correctamente definidos.	Os datos iniciais son axeitados pero con pequenas inconsistencias.	Datos definidos pero con valores pouco representativos.	Erro na selección dos datos.	Non define os datos iniciais correctamente.
Implementación da variable "zona"	Inclúe correctamente a variable "zona" e adapta os prezos en función dela.	Variable incluída pero con pequenas dificultades na interpretación.	Variable engadida pero sen impacto claro na regresión.	Erro na asignación dos valores da variable "zona".	Non implementa a variable "zona".
Modificación do modelo de regresión	Configura correctamente o modelo para incluír tamaño, habitacións e zona.	Modelo configurado pero con pequenas melloras posibles.	Modelo configurado pero con dificultades na xestión da terceira variable.	Erro na configuración do modelo.	Non realiza a modificación do modelo.
Predición de prezos baseada nas tres variables	O modelo predice correctamente prezos considerando as tres variables.	Predición realizada pero con pequenas imprecisións na interpretación.	Predición feita pero con problemas ocasionais.	Erro na clasificación dos datos.	Non realiza a predición dos prezos.
Visualización dos datos	A gráfica representa correctamente tamaño, habitacións e zona.	Gráfica ben feita pero con melloras posibles na diferenciación.	Gráfica realizada pero con dificultade na lectura dos datos.	Erro na visualización ou comprensión da gráfica.	Non realiza a visualización dos datos.
Uso correcto de cores e tamaños na gráfica	Representa a variable "zona" con cores adecuadas e habitacións con tamaños diferenciados.	Cores ben utilizadas pero con pequenas melloras posibles.	Cores diferenciadas pero con pouca claridade na interpretación.	Erro na asignación de cores ou tamaños.	Non implementa diferenciación visual na gráfica.
Interpretación dos coeficientes do modelo	Explica correctamente o impacto de cada variable no prezo da casa.	Interpretación axeitada pero con melloras posibles na análise.	Coeficientes analizados pero con dificultades na interpretación dos valores.	Erro na análise dos coeficientes do modelo.	Non realiza a interpretación dos coeficientes.
Actitude ante os problemas	Busca solucións e optimiza os procesos de regresión.	Resolve os problemas con esforzo e consulta documentación.	Resolve con dificultades pero sen explorar melloras.	Resígnase ante os erros sen buscar alternativas.	Non intenta resolver os problemas ou abandona o traballo.
Traballo colaborativo	Comunicación eficaz e traballo equilibrado en parella.	Traballo en equipo con pequenas dificultades.	Interacción mínima, traballo case independente.	Pouca colaboración, realízase gran parte do traballo de forma individual.	Non colabora coa parella nin contribúe ao traballo conxunto.

Licenciado baixo a Licenza Creative Commons Atribución Compartir igual 4.0