Ajuster une régression linéaire à pentes parallèles

Dans le cours Introduction to Regression with statsmodels in Python, vous avez appris à ajuster des modèles de régression linéaire avec une seule variable explicative. Dans bien des cas, n'utiliser qu'une seule variable explicative limite la précision des prédictions. Pour vraiment maîtriser la régression linéaire, vous devez savoir ajuster des modèles de régression avec plusieurs variables explicatives.

Le cas où l'on a une variable explicative numérique et une variable explicative catégorielle est parfois appelé régression linéaire « à pentes parallèles » en raison de la forme des prédictions — nous y reviendrons dans le prochain exercice.

Ici, vous allez réutiliser l'ensemble de données sur l'immobilier à Taïwan. Rappelez-vous la signification de chaque variable.

Variable	Signification
dist_to_mrt_station_m	Distance jusqu'à la station de métro MRT la plus proche, en mètres.
n_convenience	Nombre de dépanneurs accessibles à pied.
house_age_years	Âge de la maison, en années, en 3 groupes.
price_twd_msq	Prix par unité de surface, en nouveaux dollars taïwanais par mètre carré.

taiwan_real_estate est disponible.