Predecir con un modelo de pendientes paralelas
Aunque seaborn puede mostrarte automáticamente las predicciones del modelo usando sns.regplot(), si quieres obtener esos valores para programar con ellos, tendrás que calcularlos tú mismo.
Al igual que con el caso de una sola variable explicativa, el flujo de trabajo tiene dos pasos: crear un DataFrame con las variables explicativas y después añadir una columna con las predicciones.
taiwan_real_estate está disponible y mdl_price_vs_both está disponible como modelo ajustado. seaborn, ols(), matplotlib.pyplot, pandas y numpy están cargadas con sus alias por defecto. Esto también será así en el resto del curso. Además, ìtertools.product también está disponible.
Este ejercicio forma parte del curso
Regresión intermedia con statsmodels en Python
ejercicio interactivo práctico
Prueba este ejercicio completando este código de ejemplo.
# 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)