Prévision manuelle des prix immobiliers
Vous pouvez calculer manuellement les prédictions à partir des coefficients du modèle. Lorsque vous effectuez des prédictions dans la vie réelle, il est préférable d'utiliser .predict(), mais le faire manuellement est utile pour vous assurer que les prédictions ne relèvent pas de la magie, mais simplement de l'arithmétique.
En effet, pour une régression linéaire simple, la valeur prédite est simplement l'ordonnée à l'origine plus la pente multipliée par la variable explicative.
$$\text{réponse} = \text{ordonnée à l'origine} + \text{pente} * \text{explicative}$$
mdl_price_vs_conv et explanatory_data sont disponibles.
Cet exercice fait partie du cours
Introduction à la régression avec statsmodels en Python
Instructions
- Récupérez les coefficients/paramètres de
mdl_price_vs_convet assignez-les àcoeffs. - Récupérez l’ordonnée à l’origine, qui est le premier élément de
coeffs, et assignez-la àintercept. - Récupérez la pente, qui est le deuxième élément de
coeffs, et assignez-la àslope. - Prédisez manuellement
price_twd_msqà l’aide de la formule, en indiquant l’ordonnée à l’origine, la pente etexplanatory_data. - Exécutez le code pour comparer vos prédictions calculées manuellement aux résultats de
.predict().
Exercice interactif pratique
Essayez cet exercice en complétant cet exemple de code.
# Get the coefficients of mdl_price_vs_conv
coeffs = ____
# Get the intercept
intercept = ____
# Get the slope
slope = ____
# Manually calculate the predictions
price_twd_msq = ____
print(price_twd_msq)
# Compare to the results from .predict()
print(price_twd_msq.assign(predictions_auto=mdl_price_vs_conv.predict(explanatory_data)))