Prévision des prix de l'immobilier
La fonctionnalité la plus utile des modèles statistiques tels que la régression linéaire est peut-être la possibilité d'effectuer des prédictions. En effet, vous pouvez spécifier des valeurs pour chacune des variables explicatives, les intégrer au modèle et obtenir une prédiction pour la variable de réponse correspondante. Le flux de code est le suivant.
python explanatorydata = pd.DataFrame({"explanatoryvar": listofvalues}) predictions = model.predict(explanatorydata) predictiondata = explanatorydata.assign(responsevar=predictions) ```
Ici, vous allez faire des prédictions pour les prix de l'immobilier dans l'ensemble de données sur l'immobilier à Taïwan.
taiwan_real_estate est disponible. Le modèle de régression linéaire ajusté du prix de l'immobilier par rapport au nombre de magasins de proximité est disponible sous le nom mdl_price_vs_conv. Pour les exercices futurs, lorsqu'un modèle sera disponible, il sera également ajusté.
Cet exercice fait partie du cours
<cours>Introduction à la régression avec statsmodels en Python</cours>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
____