Modelowanie dwóch numerycznych zmiennych objaśniających
Wiesz już, jak budować model i tworzyć prognozy dla numerycznej i kategorycznej zmiennej objaśniającej. Kod do modelowania i prognozowania z dwiema numerycznymi zmiennymi objaśniającymi wygląda podobnie – jedyna różnica dotyczy sposobu określania zmiennych objaśniających podczas tworzenia prognoz.
Tutaj zbudujesz model prognozowania cen domów na podstawie liczby pobliskich sklepów spożywczych oraz pierwiastka kwadratowego z odległości do najbliższej stacji MRT.
taiwan_real_estate jest dostępny ze zmienną przekształconą pierwiastkiem kwadratowym sqrt_dist_to_mrt_m. Załadowano również itertools.product.
To ćwiczenie jest częścią kursu
Regresja średnio zaawansowana ze statsmodels w Pythonie
Interaktywne ćwiczenie praktyczne
Spróbuj tego ćwiczenia, uzupełniając ten przykładowy kod.
# Fit linear regression of price vs. no. of conv. stores and sqrt dist. to nearest MRT, no interaction
mdl_price_vs_conv_dist = ____
# See the result
print(mdl_price_vs_conv_dist.params)