Vorhersagen manuell berechnen

Wie bei der einfachen linearen Regression kannst du die Vorhersagen auch manuell aus den Modellkoeffizienten berechnen. Der einzige Unterschied im Fall der parallelen Steigungen ist, dass der Achsenabschnitt für jede Kategorie der kategorialen erklärenden Variable unterschiedlich ist. Das bedeutet, du musst die Fälle betrachten, in denen jede Kategorie jeweils separat auftritt.

taiwan_real_estate, mdl_price_vs_both und explanatory_data sind verfügbar; ic_0_15, ic_15_30, ic_30_45 und slope aus der vorherigen Übung sind ebenfalls geladen.

Diese Übung ist Teil des Kurses

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

Kurs ansehen

Übungsanweisungen

Definiere eine Liste conditions mit drei Bedingungen: house_age_years ist "0 to 15", house_age_years ist "15 to 30" und house_age_years ist "30 to 45".
Definiere eine Liste choices mit den aus mdl_price_vs_both extrahierten Achsenabschnitten. Diese entsprechen jeweils den Bedingungen.
Erstelle ein Array von Achsenabschnitten mit np.select().
Erstelle prediction_data: Starte mit explanatory_data, setze intercept auf das Array der Achsenabschnitte und price_twd_msq auf die manuell berechneten Vorhersagen.

Interaktive praktische Übung

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

# Define conditions
conditions = [____]

# Define choices
choices = [____]

# Create array of intercepts for each house_age_year category
intercept = ____(____, ____)

# Create prediction_data with columns intercept and price_twd_msq
prediction_data = ____.____(
			      ____ = ____,
  			      ____ = ____ + ____ * ____[____])

print(prediction_data)

Code bearbeiten und ausführen