Adattare una regressione lineare a pendenze parallele
Nel corso Introduction to Regression with statsmodels in Python, hai imparato ad adattare modelli di regressione lineare con una singola variabile esplicativa. In molti casi, usare una sola variabile esplicativa limita l'accuratezza delle previsioni. Per padroneggiare davvero la regressione lineare, devi saper adattare modelli di regressione con più variabili esplicative.
Il caso in cui c'è una variabile esplicativa numerica e una categorica viene talvolta chiamato regressione lineare a "pendenze parallele" per via della forma delle previsioni — ne parleremo meglio nel prossimo esercizio.
Qui tornerai a usare l'insieme di dati sulle case di Taiwan. Ricorda il significato di ciascuna variabile.
| Variable | Meaning |
|---|---|
dist_to_mrt_station_m |
Distanza dalla stazione MRT più vicina, in metri. |
n_convenience |
N. di minimarket raggiungibili a piedi. |
house_age_years |
Età della casa, in anni, in 3 gruppi. |
price_twd_msq |
Prezzo per unità di superficie, in nuovi dollari di Taiwan per m². |
taiwan_real_estate è disponibile.
Questo esercizio fa parte del corso
Regressione intermedia con statsmodels in Python
esercizio interattivo pratico
Prova questo esercizio completando questo codice di esempio.
# Import ols from statsmodels.formula.api
____
# Fit a linear regression of price_twd_msq vs. n_convenience
mdl_price_vs_conv = ____
# Print the coefficients
print(____)