Algoritmo di regressione lineare
Per capire davvero la regressione lineare, è utile sapere come funziona l'algoritmo. Il codice di ols() è composto da centinaia di righe perché deve funzionare con qualsiasi formula e qualsiasi insieme di dati. Tuttavia, nel caso della regressione lineare semplice per un singolo insieme di dati, puoi implementare un algoritmo di regressione lineare in poche righe di codice.
Il flusso di lavoro è:
- Per prima cosa, scrivi una funzione per calcolare la somma dei quadrati usando questa sintassi generale:
def function_name(args):
# some calculations with the args
return outcome
- Poi, usa la funzione
minimizediscipyper trovare i coefficienti che minimizzano questa funzione.
I valori esplicativi (la colonna n_convenience di taiwan_real_estate) sono disponibili come x_actual.
I valori di risposta (la colonna price_twd_msq di taiwan_real_estate) sono disponibili come y_actual.
minimize() è già caricata.
Questo esercizio fa parte del corso
Regressione intermedia con statsmodels in Python
esercizio interattivo pratico
Prova questo esercizio completando questo codice di esempio.
# Complete the function
def calc_sum_of_squares(coeffs):
# Unpack coeffs
____, ____ = ____
# Calculate predicted y-values
y_pred = ____ + ____ * ____
# Calculate differences between y_pred and y_actual
y_diff = ____ - ____
# Calculate sum of squares
sum_sq = ____
# Return sum of squares
return sum_sq
# Test the function with intercept 10 and slope 1
print(calc_sum_of_squares([10, 1]))