Visualiser des pentes parallèles
Les deux graphiques de l’exercice précédent donnaient des prédictions très différentes : l’un prédisait une réponse qui augmentait linéairement avec une variable numérique ; l’autre donnait une valeur fixe pour chaque catégorie. La seule façon raisonnable de réconcilier 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’a pas de solution simple « prête à l’emploi » pour afficher les prédictions.
taiwan_real_estate est disponible et mdl_price_vs_both est un modèle ajusté. seaborn est importé sous le nom sns et matplotlib.pyplot est importé sous le nom plt.
Cet exercice fait partie du cours
Régression intermédiaire avec statsmodels en Python
Exercice interactif pratique
Essayez cet exercice en complétant cet exemple de code.
# Extract the model coefficients, coeffs
coeffs = ____
# Print coeffs
print(coeffs)
# Assign each of the coeffs
____, ____, ____, ____ = ____