Parallele Steigungen visualisieren
Die beiden Diagramme in der vorherigen Übung lieferten sehr unterschiedliche Vorhersagen: Das eine sagte eine linear mit einer numerischen Variable ansteigende Zielgröße voraus; das andere gab für jede Kategorie einen festen Wert aus. Die einzig sinnvolle Möglichkeit, diese widersprüchlichen Vorhersagen zu vereinen, besteht darin, beide erklärenden Variablen gleichzeitig ins Modell aufzunehmen.
Für ein lineares Regressionsmodell mit einer numerischen und einer kategorialen erklärenden Variable bietet seaborn keine einfache „Out-of-the-box“-Methode, um die Vorhersagen zu zeigen.
taiwan_real_estate ist verfügbar und mdl_price_vs_both ist als angepasstes Modell verfügbar. seaborn ist als sns importiert und matplotlib.pyplot als plt.
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.
# Extract the model coefficients, coeffs
coeffs = ____
# Print coeffs
print(coeffs)
# Assign each of the coeffs
____, ____, ____, ____ = ____