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, se limiter à une seule variable explicative réduit la précision des prédictions. Pour vraiment maîtriser la régression linéaire, vous devez savoir ajuster des modèles avec plusieurs variables explicatives.

Le cas où l’on dispose d’une variable explicative numérique et d’une variable explicative catégorielle est parfois appelé une régression linéaire « pentes parallèles » en raison de la forme des prédictions — nous y reviendrons dans l’exercice suivant.

Ici, vous allez revenir sur le jeu de données de l’immobilier à Taïwan. Rappelez-vous la signification de chaque variable.

Variable	Signification
dist_to_mrt_station_m	Distance à la station de métro (MRT) la plus proche, en mètres.
n_convenience	Nombre de supérettes accessibles à pied.
house_age_years	Âge du logement, en années, regroupé en 3 catégories.
price_twd_msq	Prix au mètre carré, en nouveaux dollars taïwanais par mètre carré.

taiwan_real_estate est disponible.