Uwzględnianie interakcji
Podobnie jak w przypadku jednej zmiennej objaśniającej numerycznej i jednej kategorycznej, zmienne numeryczne również mogą ze sobą oddziaływać. W takiej strukturze modelu pojawia się trzeci współczynnik kierunkowy – po jednym dla każdej zmiennej objaśniającej oraz jeden dla interakcji między nimi.
W tym ćwiczeniu uruchomisz, przewidzisz i zwizualizujesz ten sam model co w poprzednim ćwiczeniu, tym razem jednak uwzględniając interakcję między zmiennymi objaśniającymi.
To ćwiczenie jest częścią kursu
Regresja średnio zaawansowana ze statsmodels w Pythonie
Instrukcje do ćwiczenia
- Zmień nazwę modelu na
mdl_price_vs_conv_dist_inter. - Dostosuj resztę kodu z poprzedniego ćwiczenia tak, aby uwzględniał interakcję.
Interaktywne ćwiczenie praktyczne
Spróbuj tego ćwiczenia, uzupełniając ten przykładowy kod.
# Convert to mdl_price_vs_conv_dist_inter
mdl_price_vs_conv_dist = ols("price_twd_msq ~ n_convenience + sqrt_dist_to_mrt_m", data=taiwan_real_estate).fit()
# Use mdl_price_vs_conv_dist_inter to make predictions
n_convenience = np.arange(0, 11)
sqrt_dist_to_mrt_m = np.arange(0, 81, 10)
p = product(n_convenience, sqrt_dist_to_mrt_m)
explanatory_data = pd.DataFrame(p, columns=["n_convenience", "sqrt_dist_to_mrt_m"])
prediction_data = explanatory_data.assign(
price_twd_msq = mdl_price_vs_conv_dist.predict(explanatory_data))
sns.scatterplot(x="n_convenience", y="sqrt_dist_to_mrt_m", data=taiwan_real_estate, hue="price_twd_msq", legend=False)
sns.scatterplot(x="n_convenience", y="sqrt_dist_to_mrt_m", data=prediction_data, hue="price_twd_msq", marker="s")
plt.show()