Een lineaire regressie met parallelle hellingen fitten
In Introduction to Regression with statsmodels in Python heb je geleerd om lineaire regressiemodellen met één verklarende variabele te fitten. In veel gevallen beperkt het gebruik van slechts één verklarende variabele de nauwkeurigheid van je voorspellingen. Om lineaire regressie echt in de vingers te krijgen, moet je regressiemodellen met meerdere verklarende variabelen kunnen fitten.
De situatie met één numerieke en één categorische verklarende variabele wordt soms een lineaire regressie met "parallelle hellingen" genoemd, vanwege de vorm van de voorspellingen — daarover meer in de volgende oefening.
Hier kijk je opnieuw naar de Taiwanese vastgoedgegevensset. Herhaal de betekenis van elke variabele.
| Variable | Meaning |
|---|---|
dist_to_mrt_station_m |
Afstand tot het dichtstbijzijnde MRT-metrostation, in meters. |
n_convenience |
Aantal buurtwinkels op loopafstand. |
house_age_years |
De leeftijd van het huis, in jaren, in 3 groepen. |
price_twd_msq |
Huisprijs per oppervlakte-eenheid, in New Taiwan dollar per m². |
taiwan_real_estate is beschikbaar.
Deze oefening maakt deel uit van de cursus
Gemiddelde regressie met statsmodels in Python
Interactieve oefening met praktijkervaring
Probeer deze oefening door deze voorbeeldcode aan te vullen.
# 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(____)