Voorspellen met een parallelle-hellingenmodel
Hoewel seaborn met sns.regplot() automatisch modelvoorspellingen kan tonen, moet je de berekeningen zelf doen als je die waarden in je code wilt gebruiken.
Net als bij één verklarende variabele bestaat de workflow uit twee stappen: maak een DataFrame met verklarende variabelen en voeg daarna een kolom met voorspellingen toe.
taiwan_real_estate is beschikbaar en mdl_price_vs_both is beschikbaar als een gefit model. seaborn, ols(), matplotlib.pyplot, pandas en numpy zijn geladen met hun standaardaliassen. Dit geldt ook voor de rest van de cursus. Daarnaast is ìtertools.product ook 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.
# 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)