«Прогноз посещаемости мастер-классов» — практический курс для знакомых с основами pandas и регрессии. Общественной студии нужна оценка за семь дней, чтобы подготовить материалы. Вы создадите повторяемый анализ, использующий только своевременно доступные сведения, измеряющий настоящие ошибки и сравнивающий небольшую модель с простой базой.
Две пошаговые лабораторные знакомят со сроком прогноза, фиксацией обучения, оценкой по датам, заполнением пропусков только из обучения и коротким регрессионным Pipeline. Одно независимое задание переносит те же механизмы на другой сезон. Каждая единица получает собственные подготовленные данные; файлы и процессы не переходят между работами. Общие 165 минут — оценка автора с чтением и обычными исправлениями, не замер времени новичков.
Чему вы научитесь
- Отличать семидневные снимки бронирований от окончательных бронирований и последующих сканирований.
- Фиксировать обучение до поздних дат прогноза и оставлять поздние размеченные мероприятия для оценки.
- Обучать обработку пропусков на тренировочных строках и применять без обучения на отложенной выборке.
- Сравнивать непрерывные прогнозы с обучающей медианной базой через MAE в людях.
- Связывать факты, прогнозы и нарисованные ошибки по ID мастер-класса.
- Экспортировать будущие прогнозы, не притворяясь, что результаты известны.
Для кого этот курс
Для готовых превратить базовую регрессию в небольшой честный процесс планирования.
Предварительные требования: Функции Python, ввод в терминале, выборка и объединения pandas, базовая регрессия Scikit-learn, разделение обучения/теста и начальный Matplotlib. Рекомендуется Choosing Opening Hours from Data для практики интерпретации данных и их ограничений.
Учебная среда: Браузерный WebIDE содержит оригинальные синтетические CSV, Python, pandas, NumPy, Scikit-learn и Matplotlib. Локальная установка и внешняя учётная запись набора данных не нужны. Программы, вывод и подписи интерфейса остаются английскими.
Часто задаваемые вопросы
Должна ли модель победить базу?
Нет. Правильное сравнение может показать отсутствие пользы. Цель — правдивая оценка, не обязательный балл.
Буду ли я настраивать много моделей?
Нет. Вы используете небольшой процесс заполнения средним и линейной регрессии. Главные решения — что и когда известно и что означают ошибки.
Это производственные прогнозы?
Нет. Небольшие наборы — оригинальный синтетический учебный материал. Они показывают воспроизводимый процесс, не доказывая надёжность для реальной площадки.
