Voorspellingen handmatig berekenen

Net als bij eenvoudige lineaire regressie kun je de voorspellingen ook handmatig berekenen op basis van de modelcoëfficiënten. Het enige verschil bij parallelle hellingen is dat de intercept per categorie van de categorische verklarende variabele verschilt. Dat betekent dat je per afzonderlijke categorie moet rekenen.

taiwan_real_estate, mdl_price_vs_both en explanatory_data zijn beschikbaar; ic_0_15, ic_15_30, ic_30_45 en slope uit de vorige oefening zijn ook geladen.

Deze oefening maakt deel uit van de cursus

Gemiddelde regressie met statsmodels in Python

Bekijk cursus

Oefeninstructies

Definieer een lijst conditions met drie voorwaardelijke uitspraken: house_age_years is "0 to 15", house_age_years is "15 to 30" en house_age_years is "30 to 45".
Definieer een lijst choices met de uit mdl_price_vs_both geëxtraheerde intercepts. Deze komen overeen met de voorwaarden.
Maak een array met intercepts met np.select().
Maak prediction_data: begin met explanatory_data, wijs intercept toe als de array met intercepts en price_twd_msq als de handmatig berekende voorspellingen.

Interactieve oefening met praktijkervaring

Probeer deze oefening door deze voorbeeldcode aan te vullen.

# Define conditions
conditions = [____]

# Define choices
choices = [____]

# Create array of intercepts for each house_age_year category
intercept = ____(____, ____)

# Create prediction_data with columns intercept and price_twd_msq
prediction_data = ____.____(
			      ____ = ____,
  			      ____ = ____ + ____ * ____[____])

print(prediction_data)

Code bewerken en uitvoeren