Vorhersagen mit einem Parallel-Slopes-Modell
Auch wenn seaborn dir mit sns.regplot() Modellvorhersagen automatisch anzeigen kann, musst du die Werte selbst berechnen, wenn du damit weiterprogrammieren möchtest.
Genau wie beim Fall mit einer einzelnen erklärenden Variable hat der Workflow zwei Schritte: Erstelle ein DataFrame mit den erklärenden Variablen und füge dann eine Spalte mit Vorhersagen hinzu.
taiwan_real_estate ist verfügbar und mdl_price_vs_both liegt als gefittetes Modell vor. seaborn, ols(), matplotlib.pyplot, pandas und numpy sind mit ihren Standardkürzeln geladen. Das gilt auch für den Rest des Kurses. Zusätzlich ist ìtertools.product ebenfalls 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.
# Create n_convenience as an array of numbers from 0 to 10
n_convenience = ____
# Extract the unique values of house_age_years
house_age_years = ____
# Create p as all combinations of values of n_convenience and house_age_years
p = ____(____, ____)
# Transform p to a DataFrame and name the columns
explanatory_data = ____
print(explanatory_data)