Hauspreise vorhersagen
Einer der größten Vorteile statistischer Modelle wie der linearen Regression ist, dass du Vorhersagen machen kannst. Du gibst Werte für jede erklärende Variable vor, übergibst sie dem Modell und erhältst eine Vorhersage für die entsprechende Zielvariable. Der Code-Ablauf sieht so aus:
explanatory_data = pd.DataFrame({"explanatory_var": list_of_values})
predictions = model.predict(explanatory_data)
prediction_data = explanatory_data.assign(response_var=predictions)
Hier wirst du Vorhersagen für Hauspreise im Taiwan-Immobiliendatensatz erstellen.
taiwan_real_estate ist verfügbar. Das angepasste lineare Regressionsmodell von Hauspreis gegen Anzahl der Convenience Stores ist als mdl_price_vs_conv verfügbar. In den folgenden Übungen gilt: Wenn ein Modell verfügbar ist, ist es auch bereits angepasst.
Diese Übung ist Teil des Kurses
<Kurs>Einführung in die Regression mit statsmodels in Python</Kurs>Interaktive praktische Übung
Versuche dich an dieser Übung, indem du diesen Beispielcode vervollständigst.
# Import numpy with alias np
____
# Create the explanatory_data
explanatory_data = pd.____({'____': np.____(____)})
# Print it
____