先ほど当てはめた平行傾きモデルの回帰表の値を解釈してみましょう。コンソールで get_regression_table(model_price_4) を実行して、もう一度回帰表を表示してください。下にこのモデルの可視化を示します。次のうち、解釈として誤っているものはどれですか？
get_regression_table(model_price_4)
この演習はコースの一部です
理論を実践に変える、インタラクティブな演習のひとつをお試しください
この章では、モデリングの背景となる理論や用語、特に一般的なモデリングの枠組み、説明を目的としたモデリングと予測を目的としたモデリングの違い、そしてモデリングにおける課題について紹介します。さらに、どのような形式的なモデリングにも先立って不可欠な、最初のステップである探索的データ分析に取り組み始めます。
一般的なモデリングの枠組みを理解したうえで、この章では基本的な線形回帰を扱います。ここでは、結果変数 y を単一の説明／予測変数 x の関数としてシンプルにモデル化します。x には数値変数とカテゴリ変数の両方を用います。この章で扱う目的変数は、University of Texas, Austin における教員の授業評価スコアです。
前の章では、単一の数値またはカテゴリの予測変数を使った基本的な回帰を学びました。しかし、説明や予測に使う変数を1つに限定する必要はありません。ここからは基本的な回帰を重回帰へと拡張し、1つ以上の説明変数／予測変数をモデルに組み込めるようにします。Seattle, WA 大都市圏の住宅データセットを用いて、住宅価格をモデリングします。
現在の演習
これまでの章では、関心のある結果変数を説明または予測するために、さまざまなモデルを当てはめてきました。では、どのモデルを選べばよいのでしょうか。モデル評価指標を用いると、説明モデルがデータにどれだけ「適合」しているか、または予測モデルがどれだけ正確かを評価できます。これらの指標に基づき、どのモデルが「最適」かを判断する基準について学びます。
