Eine Interaktion einbeziehen

Wie auch beim Fall mit einer numerischen und einer kategorialen erklärenden Variable können numerische erklärende Variablen miteinander interagieren. Mit dieser Modellstruktur bekommst du einen dritten Steigungskoeffizienten: je einen für jede erklärende Variable und einen für die Interaktion.

Hier führst du dasselbe Modell wie in der vorherigen Übung aus, sagst damit voraus und erstellst einen Plot – diesmal aber mit einer Interaktion zwischen den erklärenden Variablen.

Diese Übung ist Teil des Kurses

<Kurs>Fortgeschrittene Regression mit statsmodels in Python</Kurs>

Kurs ansehen

Übungsanweisungen

Ändere den Namen des Modells in mdl_price_vs_conv_dist_inter.
Passe den restlichen Code aus der vorherigen Übung an, um eine Interaktion einzubeziehen.

Interaktive praktische Übung

Versuche dich an dieser Übung, indem du diesen Beispielcode vervollständigst.

# 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()

Code bearbeiten und ausführen