Anpassen einer Parallel-Slopes-Linearen Regression
In Introduction to Regression with statsmodels in Python hast du gelernt, lineare Regressionsmodelle mit einer einzelnen erklärenden Variable anzupassen. In vielen Fällen begrenzt die Verwendung nur einer erklärenden Variable die Genauigkeit der Vorhersagen. Um lineare Regression wirklich zu beherrschen, musst du Regressionsmodelle mit mehreren erklärenden Variablen anpassen können.
Der Fall mit einer numerischen und einer kategorialen erklärenden Variable wird aufgrund der Form der Vorhersagen manchmal als „Parallel-Slopes“-lineare Regression bezeichnet – mehr dazu in der nächsten Übung.
Hier schaust du dir erneut den Taiwan-Immobiliendatensatz an. Erinnerst du dich an die Bedeutung der einzelnen Variablen?
| Variable | Bedeutung |
|---|---|
dist_to_mrt_station_m |
Entfernung zur nächsten MRT-U-Bahn-Station, in Metern. |
n_convenience |
Anzahl der fußläufig erreichbaren Convenience Stores. |
house_age_years |
Alter des Hauses, in Jahren, in 3 Gruppen. |
price_twd_msq |
Hauspreis pro Flächeneinheit, in New Taiwan Dollar pro Quadratmeter. |
taiwan_real_estate ist verfügbar.
Diese Übung ist Teil des Kurses
<Kurs>Fortgeschrittene Regression mit statsmodels in Python</Kurs>Interaktive praktische Übung
Versuche dich an dieser Übung, indem du diesen Beispielcode vervollständigst.
# Import ols from statsmodels.formula.api
____
# Fit a linear regression of price_twd_msq vs. n_convenience
mdl_price_vs_conv = ____
# Print the coefficients
print(____)