Includere un'interazione
Così come nel caso con una variabile esplicativa numerica e una categorica, anche le variabili esplicative numeriche possono interagire. Con questa struttura del modello, otterrai un terzo coefficiente di pendenza: uno per ciascuna variabile esplicativa e uno per l'interazione.
Qui eseguirai, prevederai e traccerai lo stesso modello dell'esercizio precedente, ma questa volta includendo un'interazione tra le variabili esplicative.
Questo esercizio fa parte del corso
Regressione intermedia con statsmodels in Python
Istruzioni dell'esercizio
- Cambia il nome del modello in
mdl_price_vs_conv_dist_inter. - Adatta il resto del codice dell'esercizio precedente per includere un'interazione.
esercizio interattivo pratico
Prova questo esercizio completando questo codice di esempio.
# Convert to mdl_price_vs_conv_dist_inter
mdl_price_vs_conv_dist = ols("price_twd_msq ~ n_convenience + sqrt_dist_to_mrt_m", data=taiwan_real_estate).fit()
# Use mdl_price_vs_conv_dist_inter to make predictions
n_convenience = np.arange(0, 11)
sqrt_dist_to_mrt_m = np.arange(0, 81, 10)
p = product(n_convenience, sqrt_dist_to_mrt_m)
explanatory_data = pd.DataFrame(p, columns=["n_convenience", "sqrt_dist_to_mrt_m"])
prediction_data = explanatory_data.assign(
price_twd_msq = mdl_price_vs_conv_dist.predict(explanatory_data))
sns.scatterplot(x="n_convenience", y="sqrt_dist_to_mrt_m", data=taiwan_real_estate, hue="price_twd_msq", legend=False)
sns.scatterplot(x="n_convenience", y="sqrt_dist_to_mrt_m", data=prediction_data, hue="price_twd_msq", marker="s")
plt.show()