Esercitazione 4.2

Soluzioni

Per questi esercizi esiste un notebook di accompagnamento, reperibile a questo indirizzo.

Esercizio 4.2.1

Proviamo ad operare sul dataset Tips di Seaborn, effettuando una regressione lineare che riguardi le mance ed il conto totale. Per farlo, usiamo un oggetto di classe LinearRegression() messo a disposizione dal package linear_model di Scikit-Learn.

Valutiamo lo score \(R^2\) ottenuto, e mostriamo a schermo i risultati dell'interpolazione, assieme al coefficiente angolare ed all'intercetta ottenuti.

Esercizio 4.2.2

Proviamo ad effettuare poi un'interpolazione mediante un oggetto di classe RANSACRegression(), e confrontiamo i risultati ottenuti in precedenza in tre modi:

• tramite un plot;
• valutando lo score;
• valutando i valori di coefficiente ed intercetta del modello usato.

Proviamo infine ad eseguire due volte il RANSAC, e verifichiamo che i risultati ottenuti siano differenti.

Esercizio 4.2.3

Continuiamo ad operare sul dataset Tips di Seaborn. In particolare, scegliamo come label il giorno, e come feature sulle quali operare il conto totale, la mancia e la dimensione del tavolo. Addestriamo un classificatore a determinare qual è il giorno più probabile sulla base delle feature selezionate.

Esercizio 4.2.4

Proviamo adesso a verificare come variano i valori di accuratezza, precisione e recall per diversi valori della soglia di decisione. In tal senso:

• semplifichiamo il problema riducendolo ad una classificazione binaria, e quindi considerando come label la colonna time;
• utilizziamo il metodo predict_proba(X) del LogisticRegressor().

Esercizio 4.2.5

Consideriamo il regressore lineare usato nell'esercizio 4.2.1. Valutiamo i risultati ottenuti in termini di MSE, MAPE ed \(R^2\).