Prédire avec un modèle à pentes parallèles
Bien que seaborn puisse afficher automatiquement les prédictions du modèle avec sns.regplot(), si vous voulez récupérer ces valeurs pour les utiliser dans votre code, vous devrez effectuer les calculs vous‑même.
Comme pour le cas d’une seule variable explicative, le flux de travail se déroule en deux étapes : créer un DataFrame des variables explicatives, puis ajouter une colonne de prédictions.
taiwan_real_estate est disponible et mdl_price_vs_both est un modèle déjà ajusté. seaborn, ols(), matplotlib.pyplot, pandas et numpy sont chargés avec leurs alias par défaut. Ce sera également le cas pour le reste du cours. De plus, ìtertools.product est aussi disponible.
Cet exercice fait partie du cours
Régression intermédiaire avec statsmodels en Python
Exercice interactif pratique
Essayez cet exercice en complétant cet exemple de code.
# Create n_convenience as an array of numbers from 0 to 10
n_convenience = ____
# Extract the unique values of house_age_years
house_age_years = ____
# Create p as all combinations of values of n_convenience and house_age_years
p = ____(____, ____)
# Transform p to a DataFrame and name the columns
explanatory_data = ____
print(explanatory_data)