Inclure une interaction
Comme pour un modèle avec une variable explicative numérique et une variable catégorielle, des variables explicatives numériques peuvent aussi interagir. Avec cette structure de modèle, vous obtiendrez une troisième pente : une pour chaque variable explicative et une pour l'interaction.
Ici, vous allez exécuter, prédire et tracer le même modèle que dans l'exercice précédent, mais en incluant cette fois une interaction entre les variables explicatives.
Cette activité fait partie du cours
Régression intermédiaire avec statsmodels en Python
Instructions de l’exercice
- Remplacez le nom du modèle par
mdl_price_vs_conv_dist_inter. - Adaptez le reste du code de l'exercice précédent pour inclure une interaction.
Exercice interactif pratique
Essayez cet exercice en complétant ce code d’exemple.
# Convert to mdl_price_vs_conv_dist_inter
mdl_price_vs_conv_dist = ols("price_twd_msq ~ n_convenience + sqrt_dist_to_mrt_m", data=taiwan_real_estate).fit()
# Use mdl_price_vs_conv_dist_inter to make predictions
n_convenience = np.arange(0, 11)
sqrt_dist_to_mrt_m = np.arange(0, 81, 10)
p = product(n_convenience, sqrt_dist_to_mrt_m)
explanatory_data = pd.DataFrame(p, columns=["n_convenience", "sqrt_dist_to_mrt_m"])
prediction_data = explanatory_data.assign(
price_twd_msq = mdl_price_vs_conv_dist.predict(explanatory_data))
sns.scatterplot(x="n_convenience", y="sqrt_dist_to_mrt_m", data=taiwan_real_estate, hue="price_twd_msq", legend=False)
sns.scatterplot(x="n_convenience", y="sqrt_dist_to_mrt_m", data=prediction_data, hue="price_twd_msq", marker="s")
plt.show()