Hauspreise vorhersagen
Die vielleicht nützlichste Funktion von statistischen Modellen wie der linearen Regression ist, dass du Vorhersagen machen kannst. Das heißt, du gibst Werte für jede der erklärenden Variablen an, speist sie in das Modell ein und erhältst eine Vorhersage für die entsprechende Antwortvariable. Der Codefluss sieht folgendermaßen aus.
explanatory_data = pd.DataFrame({"explanatory_var": list_of_values})
predictions = model.predict(explanatory_data)
prediction_data = explanatory_data.assign(response_var=predictions)
Hier machst du Vorhersagen für die Hauspreise im Taiwan-Immobilien-Datensatz.
taiwan_real_estate ist verfügbar. Das angepasste lineare Regressionsmodell des Hauspreises gegenüber der Anzahl der Convenience Stores ist unter mdl_price_vs_conv verfügbar. Wenn ein Modell verfügbar ist, wird es für zukünftige Übungen ebenfalls angepasst.
Diese Übung ist Teil des Kurses
Einführung in die Regression mit statsmodels in Python
Interaktive 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
____