Přidání interakce
Stejně jako v případě jedné numerické a jedné kategorické vysvětlující proměnné mohou mezi sebou interagovat i dvě numerické vysvětlující proměnné. Při tomto typu modelu získáš tři koeficienty sklonu: jeden pro každou vysvětlující proměnnou a jeden pro jejich interakci.
V tomto cvičení sestavíš, použiješ pro predikci a vizualizuješ stejný model jako v předchozím cvičení – tentokrát ale s interakcí mezi vysvětlujícími proměnnými.
Toto cvičení je součástí kurzu
Intermediate Regression with statsmodels in Python
Pokyny k cvičení
- Přejmenuj model na
mdl_price_vs_conv_dist_inter. - Uprav zbytek kódu z předchozího cvičení tak, aby zahrnoval interakci.
Interaktivní cvičení na vyzkoušení si v praxi
Vyzkoušejte si toto cvičení dokončením tohoto ukázkového kódu.
# Convert to mdl_price_vs_conv_dist_inter
mdl_price_vs_conv_dist = ols("price_twd_msq ~ n_convenience + sqrt_dist_to_mrt_m", data=taiwan_real_estate).fit()
# Use mdl_price_vs_conv_dist_inter to make predictions
n_convenience = np.arange(0, 11)
sqrt_dist_to_mrt_m = np.arange(0, 81, 10)
p = product(n_convenience, sqrt_dist_to_mrt_m)
explanatory_data = pd.DataFrame(p, columns=["n_convenience", "sqrt_dist_to_mrt_m"])
prediction_data = explanatory_data.assign(
price_twd_msq = mdl_price_vs_conv_dist.predict(explanatory_data))
sns.scatterplot(x="n_convenience", y="sqrt_dist_to_mrt_m", data=taiwan_real_estate, hue="price_twd_msq", legend=False)
sns.scatterplot(x="n_convenience", y="sqrt_dist_to_mrt_m", data=prediction_data, hue="price_twd_msq", marker="s")
plt.show()