Calculer les prédictions manuellement

Comme pour la régression linéaire simple, vous pouvez aussi calculer manuellement les prédictions à partir des coefficients du modèle. La seule différence dans le cas des pentes parallèles est que l’ordonnée à l’origine (intercept) est différente pour chaque modalité de la variable explicative catégorielle. Cela signifie que vous devez considérer séparément le cas où chaque catégorie se présente.

taiwan_real_estate, mdl_price_vs_both et explanatory_data sont disponibles ; ic_0_15, ic_15_30, ic_30_45 et slope de l’exercice précédent sont également chargés.

Cet exercice fait partie du cours

Régression intermédiaire avec statsmodels en Python

Afficher le cours

Instructions

Définissez une liste conditions avec trois expressions conditionnelles : house_age_years est "0 to 15", house_age_years est "15 to 30" et house_age_years est "30 to 45".
Définissez une liste choices avec les intercepts extraits de mdl_price_vs_both. Ils correspondent chacun aux conditions.
Créez un tableau d’intercepts avec np.select().
Créez prediction_data : partez de explanatory_data, affectez intercept au tableau d’intercepts, et price_twd_msq aux prédictions calculées manuellement.

Exercice interactif pratique

Essayez cet exercice en complétant cet exemple de code.

# Define conditions
conditions = [____]

# Define choices
choices = [____]

# Create array of intercepts for each house_age_year category
intercept = ____(____, ____)

# Create prediction_data with columns intercept and price_twd_msq
prediction_data = ____.____(
			      ____ = ____,
  			      ____ = ____ + ____ * ____[____])

print(prediction_data)

Modifier et exécuter le code