Visualiser des pentes parallèles
Les deux graphiques de l'exercice précédent donnaient des prédictions très différentes : l'un faisait augmenter linéairement la variable à prédire avec une variable numérique; l'autre donnait une valeur fixe pour chaque catégorie. La seule façon sensée de concilier ces deux prédictions contradictoires est d'inclure les deux variables explicatives dans le modèle en même temps.
Avec un modèle de régression linéaire comportant une variable explicative numérique et une variable catégorielle, seaborn n'offre pas une façon simple « prête à l'emploi » d'afficher les prédictions.
taiwan_real_estate est disponible et mdl_price_vs_both est un modèle ajusté. seaborn est importé sous sns et matplotlib.pyplot sous plt.
Cette activité fait partie du cours
Régression intermédiaire avec statsmodels en Python
Exercice interactif pratique
Essayez cet exercice en complétant ce code d’exemple.
# Extract the model coefficients, coeffs
coeffs = ____
# Print coeffs
print(coeffs)
# Assign each of the coeffs
____, ____, ____, ____ = ____