Previsioni con un modello a pendenze parallele
Anche se seaborn può mostrarti automaticamente le previsioni del modello usando sns.regplot(), se vuoi ottenere quei valori per programmarci, dovrai calcolarli tu.
Come nel caso con una sola variabile esplicativa, il flusso di lavoro ha due passaggi: crea un DataFrame con le variabili esplicative, poi aggiungi una colonna con le previsioni.
taiwan_real_estate è disponibile e mdl_price_vs_both è disponibile come modello adattato. seaborn, ols(), matplotlib.pyplot, pandas e numpy sono caricati con i loro alias predefiniti. Questo sarà vero anche per il resto del corso. Inoltre, è disponibile anche ìtertools.product.
Questo esercizio fa parte del corso
Regressione intermedia con statsmodels in Python
esercizio interattivo pratico
Prova questo esercizio completando questo codice di esempio.
# Create n_convenience as an array of numbers from 0 to 10
n_convenience = ____
# Extract the unique values of house_age_years
house_age_years = ____
# Create p as all combinations of values of n_convenience and house_age_years
p = ____(____, ____)
# Transform p to a DataFrame and name the columns
explanatory_data = ____
print(explanatory_data)