Prédire les prix des maisons
L'un des plus grands atouts des modèles statistiques comme la régression linéaire est de pouvoir faire des prédictions. Autrement dit, vous indiquez des valeurs pour chacune des variables explicatives, vous les transmettez au modèle, puis vous obtenez une prédiction pour la variable à expliquer correspondante. Le déroulement du code est le suivant.
explanatory_data = pd.DataFrame({"explanatory_var": list_of_values})
predictions = model.predict(explanatory_data)
prediction_data = explanatory_data.assign(response_var=predictions)
Ici, vous allez prédire les prix des maisons dans l'ensemble de données sur l'immobilier à Taïwan.
taiwan_real_estate est disponible. Le modèle de régression linéaire ajusté du prix des maisons en fonction du nombre de dépanneurs est disponible sous mdl_price_vs_conv. Pour les prochains exercices, lorsqu'un modèle est disponible, il sera aussi déjà ajusté.
Cette activité fait partie du cours
Introduction à la régression avec statsmodels en Python
Exercice interactif pratique
Essayez cet exercice en complétant ce code d’exemple.
# Import numpy with alias np
____
# Create the explanatory_data
explanatory_data = pd.____({'____': np.____(____)})
# Print it
____