Prevedere i prezzi delle case
Forse la caratteristica più utile dei modelli statistici come la regressione lineare è la possibilità di fare previsioni. In pratica, specifichi i valori per ciascuna variabile esplicativa, li passi al modello e ottieni una previsione per la corrispondente variabile risposta. Il flusso di codice è il seguente.
explanatory_data = pd.DataFrame({"explanatory_var": list_of_values})
predictions = model.predict(explanatory_data)
prediction_data = explanatory_data.assign(response_var=predictions)
Qui farai previsioni per i prezzi delle case nel dataset del mercato immobiliare di Taiwan.
taiwan_real_estate è disponibile. Il modello di regressione lineare adattato del prezzo delle case rispetto al numero di minimarket è disponibile come mdl_price_vs_conv. Nei prossimi esercizi, quando un modello è disponibile, sarà anche già addestrato.
Questo esercizio fa parte del corso
Introduzione alla regressione con statsmodels in Python
Esercizio pratico interattivo
Prova a risolvere questo esercizio completando il codice di esempio.
# Import numpy with alias np
____
# Create the explanatory_data
explanatory_data = pd.____({'____': np.____(____)})
# Print it
____